分层空中联邦边缘学习
机器学习
2021-12-22 v1 分布式、并行与集群计算
摘要
考虑了通过无线通信信道进行的联邦学习（FL），具体而言，是空中（OTA）模型聚合框架。在 OTA 无线设置中，执行模型聚合的参数服务器（PS）可通过增加接收天线数目来缓解不利信道效应。然而，OTA FL 的性能受到远离 PS 的移动用户（MUs）存在的限制。本文中，为缓解该限制，我们提出分层空中联邦学习（HOTAFL），其利用中间服务器（IS）在 MUs 附近形成簇。我们对所提设置给出了收敛性分析，并通过理论与实验结果表明，在全局聚合之前进行各簇的局部聚合，比 OTA FL 具有更优的性能和更快的收敛。
引用
@article{arxiv.2112.11167,
title = {Hierarchical Over-the-Air Federated Edge Learning},
author = {Ozan Aygün and Mohammad Kazemi and Deniz Gündüz and Tolga M. Duman},
journal= {arXiv preprint arXiv:2112.11167},
year = {2021}
}
备注
6 pages, 5 figures