具有优化浮动聚合点的多边缘服务器辅助动态联邦学习
机器学习
2023-06-16 v2 网络与互联网体系结构
摘要
我们提出协作边缘辅助动态联邦学习（CE-FL）。CE-FL 引入一种分布式机器学习（ML）架构，其中数据收集在终端设备完成，而模型训练由终端设备与边缘服务器通过基站将数据从终端卸载至边缘服务器协作进行。CE-FL 还引入浮动聚合点，设备与服务器生成的本地模型在某一边缘服务器聚合，该服务器随模型训练轮次变化以应对数据分布与用户移动性方面的网络演化。CE-FL 考虑网络元素在通信/计算模型及彼此邻近性方面的异构性。CE-FL 进一步假定动态环境，网络设备数据在线变化导致 ML 模型性能漂移。我们对 CE-FL 过程建模并对其进行解析收敛分析。随后我们构建网络感知 CE-FL，旨在通过学习过程贡献调优自适应优化所有网络元素，这被证明是一个非凸混合整数问题。受系统大规模驱动，我们提出分布式优化求解器将解的计算分解到各网络元素。最后，我们利用真实测试床收集的数据证明了框架有效性。
引用
@article{arxiv.2203.13950,
title = {Multi-Edge Server-Assisted Dynamic Federated Learning with an Optimized Floating Aggregation Point},
author = {Bhargav Ganguly and Seyyedali Hosseinalipour and Kwang Taik Kim and Christopher G. Brinton and Vaneet Aggarwal and David J. Love and Mung Chiang},
journal= {arXiv preprint arXiv:2203.13950},
year = {2023}
}