REWAFL：面向移动设备高效联邦学习的剩余能量与无线感知参与者选择
机器学习
2023-09-26 v1 网络与互联网体系结构
摘要
参与者选择（PS）有助于加速联邦学习（FL）收敛，这对于FL在移动设备上的实际部署至关重要。现有大多数PS方法侧重于提高训练精度与效率，而非移动设备的剩余能量，而剩余能量从根本上决定了被选设备能否参与。同时，移动设备异构无线传输速率对PS与FL训练效率的影响在很大程度上被忽视。此外，PS会引发陈旧性问题。先前研究利用孤立函数强制长期被忽视的设备参与，这与原始PS设计相脱离。本文提出一种面向移动设备高效FL训练的剩余能量与无线感知PS设计（REWAFL）。REWAFL引入了一种新颖的PS效用函数，联合考虑全局FL训练效用与本地能量效用，整合了候选移动设备的能耗与剩余电池能量。在所提PS效用函数框架下，REWAFL进一步给出了剩余能量与无线感知的本地计算策略。此外，REWAFL将其陈旧性解决方案嵌入其效用函数与本地计算策略中。实验结果表明，REWAFL在提高训练精度与效率的同时，避免了移动设备的“电量耗尽”。
引用
@article{arxiv.2309.13643,
title = {REWAFL: Residual Energy and Wireless Aware Participant Selection for Efficient Federated Learning over Mobile Devices},
author = {Y. Li and X. Qin and J. Geng and R. Chen and Y. Hou and Y. Gong and M. Pan and P. Zhang},
journal= {arXiv preprint arXiv:2309.13643},
year = {2023}
}