面向低时延联邦学习的移动感知联合用户调度与资源分配
分布式、并行与集群计算
2023-07-19 v1 机器学习
摘要
作为一种高效的分布式机器学习方法，联邦学习(FL)可通过在用户端进行本地模型迭代训练、在中心服务器端进行全局模型聚合来获得共享模型，从而保护用户隐私。FL系统中的移动用户通常通过无线信道与基站(BS)通信，由于用户移动性导致的不可靠接入，训练性能可能下降。然而，现有工作仅研究静态场景或用户位置的随机初始化，未能刻画真实网络中的移动性。为解决该问题，我们提出了一种跨多个基站的FL用户移动性实用模型，并设计了一种用户调度与资源分配方法，以在通信资源受限下最小化训练时延。具体而言，我们首先建立考虑用户移动性的优化问题，联合考虑用户选择、用户到基站的分配以及带宽分配，以最小化每轮通信的时延。该优化问题被证明是NP难的，我们提出了一种时延感知贪心搜索算法(DAGSA)来求解。仿真结果表明，所提算法优于当前最先进的基线方法，且一定程度的用户移动性可改善训练性能。
引用
@article{arxiv.2307.09263,
title = {Mobility-Aware Joint User Scheduling and Resource Allocation for Low Latency Federated Learning},
author = {Kecheng Fan and Wen Chen and Jun Li and Xiumei Deng and Xuefeng Han and Ming Ding},
journal= {arXiv preprint arXiv:2307.09263},
year = {2023}
}