具有时延与能量约束的异步移动边缘学习任务分配
机器学习
2020-12-07 v2 网络与互联网体系结构
摘要
本文通过设计一种最优任务分配方案，扩展了“移动边缘学习（MEL）”范式，用于在通过资源受限无线边缘网络连接的多个边缘节点或学习器间以异步方式训练机器学习模型。优化使得分配给每个学习器的任务部分在给定全局时延约束与本地最大能耗限制内完成。所消耗的时间与能量直接关联于学习器的异构通信与计算能力；即所提模型具有异构感知（HA）特性。由于所得优化为 NP-hard 二次约束整数线性规划（QCILP），提出了一种基于松弛同步问题解来获取异步问题解的两步建议-改进（SAI）解法。所提 HA 异步（HA-Asyn）方法与 HA 同步（HA-Sync）方案及异构无感知（HU）等批量分配方案进行比较。由 20 个学习器在不同完成时间与能耗约束下测试的结果表明，所提 HA-Asyn 方法优于 HU 同步/异步（HU-Sync/Asyn）方法，且相较 HA-Sync 方案可获得高达 25% 的收益。
引用
@article{arxiv.2012.00143,
title = {Task Allocation for Asynchronous Mobile Edge Learning with Delay and Energy Constraints},
author = {Umair Mohammad and Sameh Sorour and Mohamed Hefeida},
journal= {arXiv preprint arXiv:2012.00143},
year = {2020}
}
备注
12 pages, 5 figures