OFDMA-F^2L：基于OFDMA空中接口柔性聚合的联邦学习
信号处理
2023-11-28 v1
摘要
联邦学习（FL）部署在移动网络中时可能遭受通信瓶颈，限制参与客户端并阻碍FL收敛。具有离散调制的实际空中接口对FL的影响此前未被深入研究。本文提出一种基于正交频分多址（OFDMA）空中接口的柔性聚合FL（F^2L）新范式，称为“OFDMA-F^2L”，允许选定客户端在各聚合轮上传模型前训练本地模型不同迭代次数。我们优化客户端、子信道和调制方式的选择，以适应信道条件和计算能力。具体而言，我们推导了OFDMA-F^2L最优性间隙的上界，刻画了上述选择的影响，并表明通过最大化每聚合轮客户端的加权和速率可最小化该上界。我们开发了基于拉格朗日对偶的方法来求解这一具挑战性的加权和速率最大化混合整数规划，揭示“赢者通吃”策略提供了几乎必然最优的客户端、子信道和调制选择。关于多层感知机和卷积神经网络的实验表明，具有最优选择的OFDMA-F^2L可显著改善训练收敛与精度，例如相较潜在替代方案提升约18%和5%。
引用
@article{arxiv.2311.15141,
title = {OFDMA-F$^2$L: Federated Learning With Flexible Aggregation Over an OFDMA Air Interface},
author = {Shuyan Hu and Xin Yuan and Wei Ni and Xin Wang and Ekram Hossain and H. Vincent Poor},
journal= {arXiv preprint arXiv:2311.15141},
year = {2023}
}
备注
Accepted by IEEE TWC in Nov. 2023