空中计算联邦多任务学习
机器学习
2021-10-26 v4 网络与互联网体系结构
摘要
在本文中，我们将空中计算引入联邦多任务学习（FMTL）的通信设计中，并提出一种空中计算联邦多任务学习（OA-FMTL）框架，其中部署在边缘设备上的多个学习任务在边缘服务器（ES）的协调下共享一个非正交衰落信道。具体而言，所有任务的模型更新通过非正交上行衰落信道被同时发送并叠加，所有任务的模型聚合由改进版的 turbo 压缩感知算法（Turbo-CS）在 ES 处重建，该算法克服了任务间干扰。收敛性分析与数值结果均表明，OA-FMTL 框架能在不造成显著学习性能退化的前提下，通过减少信道使用次数来显著提升系统效率。
引用
@article{arxiv.2106.14229,
title = {Over-the-Air Federated Multi-Task Learning},
author = {Haoming Ma and Xiaojun Yuan and Dian Fan and Zhi Ding and Xin Wang and Jun Fang},
journal= {arXiv preprint arXiv:2106.14229},
year = {2021}
}