面向联邦学习的联合概率选择与功率分配
机器学习
2024-01-17 v1
摘要
本文研究了无线网络上联邦学习的性能，其中具有有限能量预算的设备训练一个机器学习模型。联邦学习性能取决于每轮参与学习的客户端选择。大多数现有研究建议采用确定性方法进行客户端选择，导致通常使用启发式方法解决的具有挑战性的优化问题，因而无法保证最终解的质量。我们提出了一种新的概率方法，以联合选择客户端并最优分配功率，从而最大化期望参与客户端数量。为解决该问题，提出了一种新的交替算法，其中每一步均可获得用户选择概率与功率分配的闭式解。数值结果表明，与所研究的基准相比，所提方法在能耗、完成时间与准确率方面均取得了显著性能提升。
引用
@article{arxiv.2401.07756,
title = {Joint Probability Selection and Power Allocation for Federated Learning},
author = {Ouiame Marnissi and Hajar EL Hammouti and El Houcine Bergou},
journal= {arXiv preprint arXiv:2401.07756},
year = {2024}
}