NOMA网络上用于通信高效联邦学习的基于年龄的联合客户端选择与资源分配
机器学习
2023-06-06 v3 网络与互联网体系结构
摘要
在联邦学习（FL）中，分布式客户端可协作训练共享全局模型，同时本地保留各自训练数据。然而，当FL部署于无线网络时，由于通信链路不佳导致的缓慢收敛常常限制其性能。由于无线资源稀缺，精确选择客户端并准确分配通信资源对提升FL性能至关重要。为应对这些挑战，本文构建了客户端选择与资源分配的联合优化问题，旨在最小化非正交多址（NOMA）赋能无线网络下FL每轮的总时间消耗。具体地，考虑本地FL模型的陈旧性，我们提出一种基于更新年龄（AoU）的新颖客户端选择方案。随后，通过单调性分析与对偶分解方法推导出资源分配的闭式表达式。此外，提出一种服务端人工神经网络（ANN）来预测每轮未被选中客户端的FL模型，以进一步提升FL性能。最后，大量仿真结果表明所提方案在FL性能、平均AoU和总时间消耗方面具有优越性能。
引用
@article{arxiv.2304.08996,
title = {Joint Age-based Client Selection and Resource Allocation for Communication-Efficient Federated Learning over NOMA Networks},
author = {Bibo Wu and Fang Fang and Xianbin Wang},
journal= {arXiv preprint arXiv:2304.08996},
year = {2023}
}