移动无人机中分布式学习模型的机会式传输
分布式、并行与集群计算
2023-06-19 v1
摘要
在本文中，我们提出了一种从联邦学习（FL）客户端向服务器传输模型更新的机会式方案，其中客户端为无线移动用户。该方案旨在机会式地利用用户与基站的邻近性或无线传输信道的总体状况，而非传统的同步传输。在该方案中，训练期间，中间模型参数基于无线信道状况被机会式地上传到服务器。随后，若最终本地模型更新发生延迟，则这些主动传输的模型更新被用于全局聚合。我们将这一新颖的模型传输方案应用于我们之前的一项工作，即一种面向无人机的混合拆分与联邦学习（HSFL）框架。仿真结果证实，相较于针对陈旧模型的常规异步聚合方案，使用主动传输具有优越性，其获得了更高的准确率和更稳定的训练性能。仅通过一轮额外传输，测试准确率最高提升了13.47%。
引用
@article{arxiv.2306.09484,
title = {Opportunistic Transmission of Distributed Learning Models in Mobile UAVs},
author = {Jingxin Li and Xiaolan Liu and Toktam Mahmoodi},
journal= {arXiv preprint arXiv:2306.09484},
year = {2023}
}