面向快速高效联邦边缘学习的资源分配与数据选择联合优化
机器学习
2024-07-04 v1 人工智能
摘要
在无线边缘部署联邦学习将引入联邦边缘学习（FEEL）。鉴于FEEL的有限通信资源及设备端潜在的标签错误数据，不当的资源分配或数据选择均会影响收敛速度并增加训练成本。因此，为实现高效的FEEL系统，本文强调联合优化资源分配与数据选择。具体而言，本 work 通过严格建模训练过程并推导FEEL单轮收敛率的上界，建立资源分配与数据选择的联合问题，然而该问题无法直接求解。为此，我们通过变量替换将原问题等价转化为可求解形式，再拆分为资源分配问题与数据选择问题两个子问题。两个子问题分别为混合整数非凸问题与整数非凸问题，求解最优解具有挑战性。基于匹配理论，并应用凸凹例程和梯度投影方法，我们分别为两个子问题构思低复杂度次优算法。最后，通过数值实验验证了我们所提出的联合资源分配与数据选择方案的优越性。
引用
@article{arxiv.2407.02888,
title = {Joint Optimization of Resource Allocation and Data Selection for Fast and Cost-Efficient Federated Edge Learning},
author = {Yunjian Jia and Zhen Huang and Jiping Yan and Yulu Zhang and Kun Luo and Wanli Wen},
journal= {arXiv preprint arXiv:2407.02888},
year = {2024}
}