面向边缘智能网络的联邦学习鲁棒设计
信息论
2022-05-17 v1 math.IT
摘要
海量数据流量、低时延无线业务与先进人工智能（AI）技术推动了无线网络新范式即边缘智能网络的出现，其比传统云智能网络更高效灵活。考虑用户隐私，基于模型共享的联邦学习（FL）将模型参数而非私有数据从边缘设备迁移至中心云，对边缘智能网络尤为具吸引力。由于基站（BS）与边缘设备间高维模型参数多轮迭代更新，通信可靠性是边缘智能网络 FL 的关键问题。我们揭示了在存在信道不确定性时，由信道衰落、干扰与噪声引起的模型广播与模型聚合中经无线信道产生的误差对 FL 精度的影响。为缓解影响，我们提出一种面向含信道不确定性边缘智能网络的鲁棒 FL 算法，其建模为带联合设备选择与收发器设计的最坏情况优化问题。最后，仿真结果验证了所提算法的鲁棒性与有效性。
引用
@article{arxiv.2205.06955,
title = {Robust Design of Federated Learning for Edge-Intelligent Networks},
author = {Qiao Qi and Xiaoming Chen},
journal= {arXiv preprint arXiv:2205.06955},
year = {2022}
}
备注
IEEE Transactions on Communications, 2022