通过优化无线物联网网络的通信资源调度提升联邦学习能源效率
网络与互联网体系结构
2024-08-05 v1
摘要
联邦学习（FL）允许设备在不共享数据的情况下训练全局机器学习模型。在无线网络中，传输信道固有的不可靠性引入延迟和错误，影响全局模型更新的规律性。此外，设备的资源有限和能源消耗是影响FL性能的因素。因此，本文提出一种新型FL算法FL-E2WS，综合考虑联邦训练要求和无线网络，特别是物联网Internet of Things（IoT）的范围。为降低设备能源成本，FL-E2WS调度通信资源，在满足设备选择、上行资源块分配、延迟要求、功耗和数据包错误率的前提下，分配模型传输的理想带宽和功率。仿真结果表明，FL-E2WS在能源消耗上降低最高可达70.12%，提升全局模型准确率最高可达10.21%，较缺乏传输信道知识的FL算法。此外，与按比例分配通信资源的FL版本相比，FL-E2WS实现了最高38.61%的能源消耗降低，提升全局模型准确率最高可达1.61%。
引用
@article{arxiv.2408.01286,
title = {Improving Energy Efficiency in Federated Learning Through the Optimization of Communication Resources Scheduling of Wireless IoT Networks},
author = {Renan R. de Oliveira and Kleber V. Cardoso and Antonio Oliveira-Jr},
journal= {arXiv preprint arXiv:2408.01286},
year = {2024}
}