面向空中计算辅助联邦联合功率控制与数据量选择
机器学习
2023-08-21 v1
摘要
联邦学习（FL）已成为一种引人注目的机器学习方法，用于处理多个移动设备产生的大量原始数据，{其需要在单个基站（BS）处迭代聚合每个移动设备的训练模型参数}。对于 FL 中的参数聚合，空中计算是一种频谱高效的解决方案，它允许所有移动设备将其参数映射信号并发传输至 BS。由于异构信道衰落与噪声，BS 的接收信号与其期望信号之间存在差异，以均方误差（MSE）衡量。为最小化 MSE，我们提出联合优化 BS 与移动设备处的信号放大因子，以及每个移动设备的数据量（本地训练所涉及的数据样本数）。由于非凸性，所表述的问题难以求解。为求得最优解，在对代价函数做若干简化并替换变量（仍保持等价）后，我们将改动后的问题等价转化为一个双层问题。对于下层问题，通过枚举 Karush-Kuhn-Tucker（KKT）条件给出的每个候选解求得最优解。对于上层问题，通过探究其分段凸性求得最优解。数值结果表明，与基准方法相比，我们所提方法能大幅降低 MSE，并有助于提升 FL 的训练性能。
引用
@article{arxiv.2308.09072,
title = {Joint Power Control and Data Size Selection for Over-the-Air Computation Aided Federated Learning},
author = {Xuming An and Rongfei Fan and Shiyuan Zuo and Han Hu and Hai Jiang and Ning Zhang},
journal= {arXiv preprint arXiv:2308.09072},
year = {2023}
}