具有联合自适应计算与功率控制的空中联邦学习
机器学习
2022-05-13 v1
摘要
本文研究空中联邦学习（OTA-FL）。OTA-FL利用无线介质的叠加特性，在空中免费执行模型聚合，从而可大幅降低边缘设备通信模型更新所产生的通信开销。为充分利用该优势，同时提供与传统联邦学习（假定通过无噪信道进行模型聚合）相当的学习性能，我们在各边缘设备功率约束下，联合设计每轮的传输缩放因子与本地迭代次数。我们首先通过对具有利普希茨连续梯度的一般函数建立基本下界，刻画了OTA-FL中此类信道噪声导致的训练误差。随后，通过引入自适应收发功率缩放方案，我们提出一种具有联合自适应计算与功率控制的空中联邦学习算法（ACPC-OTA-FL）。我们给出了ACPC-OTA-FL在非凸目标函数与异构数据训练下的收敛性分析。我们表明，ACPC-OTA-FL的收敛速率与无噪通信的FL相匹配。
引用
@article{arxiv.2205.05867,
title = {Over-the-Air Federated Learning with Joint Adaptive Computation and Power Control},
author = {Haibo Yang and Peiwen Qiu and Jia Liu and Aylin Yener},
journal= {arXiv preprint arXiv:2205.05867},
year = {2022}
}