联合资源分配以最小化无蜂窝大规模MIMO中联邦学习的执行时间
信息论
2022-06-13 v3 math.IT
摘要
由于其通信效率和隐私保护能力,联邦学习(federated learning, FL)已成为5G及更先进无线网络中机器学习的一种有前景的框架。设计和优化支持FL稳定快速运行的新无线网络结构备受关注。无蜂窝大规模多输入多输出(cell-free massive multiple-input multiple-output, CFmMIMO)被证明是一个合适的候选方案,它允许迭代FL过程中的每一轮通信在大规模相干时间内稳定执行。为减少CFmMIMO中FL过程的总执行时间,本文提出仅选择可用用户的子集参与FL。选取具有良好链路条件的用户子集可最小化每轮通信的执行时间,同时限制所需的总通信轮数。为此,我们形式化了一个用户选择、发射功率和处理频率的联合优化问题,并受限于预定义的最小参与用户数以保证学习质量。随后我们开发了一种新算法,该算法被证明收敛到所构问题驻点的邻域。数值结果证实,相较于基线方案,我们提出的方法显著减少了FL总执行时间。当接入点部署密度适度较低时,时间减少更为明显。
引用
@article{arxiv.2009.02031,
title = {Joint Resource Allocation to Minimize Execution Time of Federated Learning in Cell-Free Massive MIMO},
author = {Tung T. Vu and Duy T. Ngo and Hien Quoc Ngo and Minh N. Dao and Nguyen H. Tran and Richard H. Middleton},
journal= {arXiv preprint arXiv:2009.02031},
year = {2022}
}
备注
accepted to appear in IEEE Internet of Things Journal, Jun. 2022