基于 NOMA 的 MEC 中联邦学习的调度策略与功率分配
机器学习
2020-06-24 v1 信号处理
机器学习
摘要
联邦学习（FL）是一种备受推崇的机器学习技术，它能在保持数据分布式的同时集中训练模型。分布式计算使 FL 对带宽受限的应用（尤其是无线通信）颇具吸引力。可能有大量分布式边缘设备连接到中心参数服务器（PS），并迭代地从 PS 下载/上传数据。由于带宽有限，每轮只能调度已连接设备的一个子集。当前最先进的机器学习模型（如深度学习）通常包含数百万参数，导致高计算复杂度以及在收集/分发训练数据时的高通信负担。为提高通信效率并加速训练模型收敛，我们提出一种新的调度策略与功率分配方案，在非正交多址（NOMA）设置下，于整个学习过程中的实际约束下最大化加权总和数据速率。NOMA 允许多个用户同时在同一信道上传输。用户调度问题被转化为可用图论求解的最大权独立集问题。仿真结果表明，所提调度与功率分配方案在基于 NOMA 的无线网络中能比其他现有方案达到更高的 FL 测试准确率。
引用
@article{arxiv.2006.13044,
title = {Scheduling Policy and Power Allocation for Federated Learning in NOMA Based MEC},
author = {Xiang Ma and Haijian Sun and Rose Qingyang Hu},
journal= {arXiv preprint arXiv:2006.13044},
year = {2020}
}