不完美 CSI 下无线网络中联邦学习的收敛时间研究
机器学习
2021-04-02 v1
摘要
联邦学习（FL）近来已成为无线网络中一种有吸引力的去中心化解决方案，可在保持数据本地化的同时协作训练共享模型。作为通用方法，现有 FL 方法往往假设训练阶段信道状态信息（CSI）完全已知，而在快衰落信道下这可能不易获取。此外，文献分析要么考虑参与联邦模型训练的客户端数量固定，要么简单假设所有客户端以最大可达速率传输模型数据。在本文中，我们填补这些空白，提出一种以信道统计作为偏置、在不完美 CSI 下最小化收敛时间的训练过程。数值实验表明，通过忽略无法维持最小预定义传输速率的客户端的模型更新，可以减少训练时间。我们还考察了参与训练过程的客户端数量与模型精度之间作为不同衰落机制函数的权衡。
引用
@article{arxiv.2104.00331,
title = {On the Convergence Time of Federated Learning Over Wireless Networks Under Imperfect CSI},
author = {Francesco Pase and Marco Giordani and Michele Zorzi},
journal= {arXiv preprint arXiv:2104.00331},
year = {2021}
}
备注
IEEE International Conference on Communications Workshops (ICC WKSHPS), Virtual/Montreal, Canada, 2021