异构边缘环境中联邦学习的按需资源感知模型聚合
机器学习
2021-12-23 v1 分布式、并行与集群计算
摘要
边缘计算凭借其灵活、安全和高效的特性彻底改变了移动和无线网络世界。近来，我们见证了它越来越多地被用于使机器学习（ML）技术（如联邦学习（FL））的部署表现更佳。FL 的提出是为了相比传统分布式机器学习（ML）提高通信效率。原始 FL 假设一个中心聚合服务器来聚合局部优化参数，这可能带来可靠性和延迟问题。在本文中，我们深入研究了用动态选择的主节点替换该中心服务器的策略，该主节点基于每轮 FL 优化时的当前参与方和/或可用资源动态选出。具体而言，我们比较了用于选择该飞行主节点的不同指标，并评估了执行选择的共识算法。我们的结果表明，使用我们的飞行主节点 FL 框架，相比原始 FL，运行时间显著减少，这基于在 EdgeAI 测试床中以及使用运行中的边缘测试床在真实 5G 网络上的测量结果。
引用
@article{arxiv.2112.11485,
title = {On-the-fly Resource-Aware Model Aggregation for Federated Learning in Heterogeneous Edge},
author = {Hung T. Nguyen and Roberto Morabito and Kwang Taik Kim and Mung Chiang},
journal= {arXiv preprint arXiv:2112.11485},
year = {2021}
}
备注
6 pages, accepted to GLOBECOM 2021