多载波NOMA赋能的无线联邦学习及其功率与带宽最优分配
信息论
2023-02-15 v1 机器学习
系统与控制
信号处理
系统与控制
math.IT
摘要
无线联邦学习（WFL）在上行链路中面临通信瓶颈，限制了每轮全局聚合中可上传本地模型的用户数量。本文提出了一种在灵活聚合（Flexible Aggregation）自适应学习设置下的多载波非正交多址（MC-NOMA）赋能WFL新系统。由于WFL轮次包含每个用户的本地模型训练与上传，灵活聚合的使用允许用户每轮训练不同迭代次数，以适应其信道条件与计算资源。其核心思想是采用MC-NOMA并发上传用户本地模型，从而延长用户本地模型训练时间并增加参与用户数。我们解析地建立了一个新指标，即训练小批量的加权全局比例（WGPTM），用以度量新系统的收敛性。另一重要方面是，我们通过联合优化发射功率与子信道带宽，最大化WGPTM以利用新系统的收敛性。该非凸问题被等价转化为易处理的凸问题，并利用变量替换与柯西不等式高效求解。使用卷积神经网络与18层住宅网络进行的实验证实，与现有替代方案相比，所提MC-NOMA WFL可有效减少通信时延、增加本地模型训练时间，并将收敛加速逾40%。
引用
@article{arxiv.2302.06730,
title = {Multi-Carrier NOMA-Empowered Wireless Federated Learning with Optimal Power and Bandwidth Allocation},
author = {Weicai Li and Tiejun Lv and Yashuai Cao and Wei Ni and Mugen Peng},
journal= {arXiv preprint arXiv:2302.06730},
year = {2023}
}
备注
33 pages, 16 figures