带宽受限网络中用于联邦学习的滑动差分进化调度
信息论
2020-10-20 v1 机器学习
神经与进化计算
网络与互联网体系结构
math.IT
摘要
在具有能量受限用户设备(UEs)的带宽受限网络中的联邦学习(FL)尚待充分研究。本文中,为在带宽受限网络中联合节省电池受限 UEs 的能耗并加速 FL 全局模型的收敛,我们提出基于滑动差分进化的调度(SDES)策略。为此,我们首先建立一个旨在最小化能耗与模型训练收敛的加权和的优化问题。然后,我们在若干小规模窗口中应用具有并行差分进化(DE)操作的 SDES,以有效求解上述提出的问题。与现有调度策略相比,所提 SDES 在降低能耗与模型收敛方面表现良好且计算复杂度更低。
引用
@article{arxiv.2010.08991,
title = {Sliding Differential Evolution Scheduling for Federated Learning in Bandwidth-Limited Networks},
author = {Yifan Luo and Jindan Xu and Wei Xu and Kezhi Wang},
journal= {arXiv preprint arXiv:2010.08991},
year = {2020}
}