基于多臂老虎机的非平稳环境异步联邦学习信道调度
机器学习
2025-03-25 v2
摘要
联邦学习允许在不进行原始数据交换的情况下跨客户端进行分布式模型训练，但在无线实现中，频繁的参数更新会导致高通信开销。现有研究通常假设已知信道状态信息(CSI)或信道是平稳的，尽管实际无线信道由于衰落、用户移动性和攻击而是非平稳的，导致不可预测的传输失败并加剧 client staleness，妨碍模型收敛。为解决这些挑战，我们提出一种针对非平稳信道的异步联邦学习调度框架，旨在减少 client staleness 同时提高通信效率和公平性。我们的框架考虑两种情形：极端非平稳和分段平稳信道。Age of Information (AoI) 在这些条件下量化 client staleness。我们进行收敛分析以检验 AoI 和每轮 client 参与对学习性能的影响，将调度问题建模为多臂老虎机 (MAB) 问题。我们推导了 AoI 后悔的理论下界，发展基于 GLR-CUCB 和 M-exp3 的调度策略，包括 AoI 后悔的上界。为解决 client 更新不平衡的问题，我们提出一种考虑边际效用和公平性的自适应匹配策略。仿真结果表明，我们的算法实现亚线性 AoI 后悔，加速收敛，并促进更公平的聚合。
引用
@article{arxiv.2503.01324,
title = {MAB-Based Channel Scheduling for Asynchronous Federated Learning in Non-Stationary Environments},
author = {Zhiyin Li and Yubo Yang and Tao Yang and Ziyu Guo and Xiaofeng Wu and Bo Hu},
journal= {arXiv preprint arXiv:2503.01324},
year = {2025}
}