面向未来无线网络中用户中心分布式学习的领导者选择与跟随者关联
网络与互联网体系结构
2024-09-30 v1
摘要
具有高计算性能的用户设备（UE）对动态和随机性质的数据进行处理以训练人工智能/机器学习（AI/ML）模型，这需要实时、敏捷的分布式机器学习（DL）算法。因此，我们专注于以UE为中心的DL算法，其中UE发起请求以调整AI/ML模型以获得更好的性能，例如在一组头戴设备或智能手机中本地精炼的AI/ML模型。这种新设置需要选择一组UE作为聚合器（此处称为领导者）和另一组作为跟随者，所有UE根据其本地数据更新模型，跟随者将其模型与领导者共享以进行聚合。从网络角度来看，首要问题是如何高效地选择领导者和关联跟随者。这导致了一个高维混合整数规划问题，并涉及UE内部状态信息和UE之间的状态信息（本文称为外部状态信息）。为应对这一挑战，我们引入了两个新指标：领导者内部指数（LII），它是每个设备内部状态的函数，表明成为领导者的意愿，例如电池寿命和AI/硬件加速器；以及领导者外部指数（LXI），它是UE之间外部状态信息的函数，例如信任、信道条件以及与将跟随者关联到领导者相关的任何方面。这两个指标将高度复杂的领导者选择和跟随者关联问题转化为更易处理的形式。更重要的是，LII和LXI允许将该问题的内部和外部状态信息保留在每个设备内部，而不会损害用户隐私。
引用
@article{arxiv.2409.18268,
title = {Leader Selection and Follower Association for UE-centric Distributed Learning in Future Wireless Networks},
author = {Saeedeh Parsaeefard and Sabine Roessel and Anousheh Gholami Ghavamabad and Robert Zaus and Bernhard Raaf},
journal= {arXiv preprint arXiv:2409.18268},
year = {2024}
}