无线联邦学习的资源配给：概念、益处与挑战
信号处理
2021-04-15 v1 信息论
机器学习
网络与互联网体系结构
math.IT
摘要
我们倡导一种用于无线联邦学习（FL）的新的资源分配框架，称之为资源配给。与现有FL资源分配方法不同，资源配给侧重于跨学习轮次平衡资源，从而显式捕捉它们对联邦学习性能的整体影响。这一新框架可与现有资源分配方案无缝集成以优化FL收敛。特别地，“后来居上（later-is-better）”新原则处于资源配给的核心，并在多个无线FL实例中得到经验验证。我们也指出了值得研究的技术挑战与机遇。资源配给凸显了将新兴FL视为具有自身特征的新型服务类并为其设计通信算法的益处。
引用
@article{arxiv.2104.06990,
title = {Resource Rationing for Wireless Federated Learning: Concept, Benefits, and Challenges},
author = {Cong Shen and Jie Xu and Sihui Zheng and Xiang Chen},
journal= {arXiv preprint arXiv:2104.06990},
year = {2021}
}
备注
7 pages, 6 pages, accepted to IEEE Communications Magazine