任务导向联邦元学习系统中学习价值的优化
机器学习
2025-01-08 v1
摘要
联邦学习（FL）因其分布式特性和隐私保护优势而在近年来受到广泛关注。然而，传统 FL 的一个关键局限在于它学习并向所有参与者分发一个通用的全局模型，这无法为多样化的任务需求提供定制化解决方案。联邦元学习（FML）通过使设备在接收到服务器共享的元模型后能够微调本地模型，为这一问题提供了一个有前景的解决方案。在本文中，我们提出了一个在非正交多址接入（NOMA）网络上的任务导向 FML 框架。引入了一种称为学习价值的新度量标准，以评估各设备的个体训练需求。此外，基于任务需求和公平性考虑，定义了任务级权重度量，用于指导 FML 训练期间边缘设备的优先级排序。所构建的问题旨在最大化各设备基于 TLW 的 VoL 之和，构成了一个非凸混合整数非线性规划（MINLP）挑战，本文使用参数化深度 Q 网络（PDQN）算法来解决该问题，以同时处理离散和连续变量。仿真结果表明，我们的方法显著优于基线方案，突显了所提出框架的优势。
引用
@article{arxiv.2501.03448,
title = {Optimizing Value of Learning in Task-Oriented Federated Meta-Learning Systems},
author = {Bibo Wu and Fang Fang and Xianbin Wang},
journal= {arXiv preprint arXiv:2501.03448},
year = {2025}
}