可扩展的分层空中联邦学习

在无线网络上实现分层联邦学习时，可扩展性保障以及处理干扰和设备数据异构性的能力至关重要。本文提出一种旨在应对这些挑战的新两级学习方法，以及用于上行链路的可扩展空中聚合方案和用于下行链路的带宽受限广播方案，它们高效利用单一无线资源。为提供对数据异构性的抵抗，我们采用梯度聚合。同时，通过优化的接收机归一化因子将上下行干扰的影响降至最低。我们提出一种全面的数学方法推导所提算法的收敛界，适用于包含任意数量协作簇的多簇无线网络，并给出特例与设计注记。作为实现可处理分析的关键一步，我们通过将设备建模为边缘服务器上的泊松簇过程来建立该设置的空间模型，并严格量化由干扰引起的上下行误差项。最后，我们表明尽管存在干扰和数据异构性，所提算法不仅在多种参数下实现高学习精度，还显著优于传统的分层学习算法。