联邦学习中信道不确定下的联合客户端调度与资源分配
机器学习
2021-06-15 v1
摘要
无线网络上的联邦学习(FL)性能取决于客户端-服务器连接的可靠性以及客户端的本地计算能力。在本文中，我们研究在预定义训练时长内、在不完美信道状态信息(CSI)和有限本地计算资源下，通过客户端调度和资源块(RB)分配来提升使用 FL 的模型训练性能的问题。首先，我们解析推导出带客户端调度的 FL 与集中式训练方法在给定训练时长下的训练损失差距。然后，我们将关于客户端调度和 RB 分配的训练损失差距最小化表述为随机优化问题，并使用 Lyapunov 优化求解。利用基于高斯过程回归的信道预测方法来学习和跟踪无线信道，其中客户端的 CSI 预测和算力被纳入调度决策。通过大量仿真，我们验证了所提方法在完美与不完美 CSI 下以及多种不同数据分布中的鲁棒性。结果表明，与最先进的客户端调度和 RB 分配方法相比，所提方法将训练精度损失差距降低了至多 40.7%。
引用
@article{arxiv.2106.06796,
title = {Joint Client Scheduling and Resource Allocation under Channel Uncertainty in Federated Learning},
author = {Madhusanka Manimel Wadu and Sumudu Samarakoon and Mehdi Bennis},
journal= {arXiv preprint arXiv:2106.06796},
year = {2021}
}
备注
arXiv admin note: text overlap with arXiv:2002.00802