无小区大规模MIMO网络中联邦学习的联合能量与延迟优化
机器学习
2024-04-30 v1 信息论
网络与互联网体系结构
math.IT
摘要
联邦学习是一种分布式学习范式，用户与服务器交换联邦学习模型而非原始数据集，从而保护数据隐私并减少通信开销。然而，联邦学习用户数量的增加可能会阻碍在无线网络上完成大规模联邦学习，因为会产生高延迟。无小区大规模多输入多输出是一种有前景的实现联邦学习的架构，因为它可以在相同的时间/频率资源上服务许多用户。虽然无小区大规模MIMO通过空间复用和协作波束成形提高了能量效率，但仔细分配联邦学习用户的上行传输功率仍然至关重要。在本文中，我们提出了一种在无小区大规模MIMO上联邦学习中的上行功率分配方案，考虑每个用户的功率对其他用户能量和延迟的影响，以联合最小化用户的上行能量和联邦学习训练的延迟。所提出的求解算法基于坐标梯度下降法。数值结果表明，我们的方法在测试准确率方面优于著名的最大和速率方法（提升高达27%）和Dinkelbach方法的最大最小能量效率（提升高达21%），同时为无小区大规模MIMO上的联邦学习提供了有限的上行能量和延迟预算。
引用
@article{arxiv.2404.18287,
title = {Joint Energy and Latency Optimization in Federated Learning over Cell-Free Massive MIMO Networks},
author = {Afsaneh Mahmoudi and Mahmoud Zaher and Emil Björnson},
journal= {arXiv preprint arXiv:2404.18287},
year = {2024}
}