移动网络中资源不确定情形下基于 MAB 的联邦学习客户端选择
网络与互联网体系结构
2020-09-30 v1
摘要
本文提出了一种在客户端的计算与通信资源无法估计时的联邦学习（FL）客户端选择方法；该方法利用移动客户端丰富的数据与计算资源训练机器学习（ML）模型，而无需在中心系统中收集其数据。带有客户端选择的常规 FL 根据给定客户端的计算能力与吞吐量估算一个 FL 轮次所需时间，并确定客户端集合以减少 FL 轮次的时间消耗。然而，由于在 FL 过程执行前可用计算与通信资源易因后台计算任务、后台流量、瓶颈链路等而变动，难以获取所有客户端的准确资源信息。因此，FL 运营商必须通过探索与利用过程选择客户端。本文提出一种基于多臂老虎机（MAB）的客户端选择方法，以解决探索与利用的权衡并减少移动网络中 FL 的时间消耗。所提方法平衡了对资源量不确定客户端与已知拥有大量资源客户端的选择。仿真评估表明，在资源波动场景下所提方案比常规方法所需学习时间更少。
引用
@article{arxiv.2009.13879,
title = {MAB-based Client Selection for Federated Learning with Uncertain Resources in Mobile Networks},
author = {Naoya Yoshida and Takayuki Nishio and Masahiro Morikura and Koji Yamamoto},
journal= {arXiv preprint arXiv:2009.13879},
year = {2020}
}