推拉式物联网无线接入中的时间受限联邦学习(FL)
信号处理
2025-09-03 v2
摘要
在网络边缘训练高质量联邦学习(FL)模型面临传输资源有限的挑战。尽管已提出各种设备调度策略，但在时间约束下调度决策如何影响FL模型性能仍不清楚。当无线介质被共享以支持具有不同通信模式的异构物联网(IoT)设备参与时，这一问题尤为突出：(1)调度(拉取)方案，选择具有有价值更新的设备；(2)随机接入(推送)，由感兴趣的设备发送模型参数。本文利用基于效用的分析模型，研究了在通信机会有限的时间受限FL设定中推拉交互的相互作用。利用真实数据集，我们提供了性能权衡分析，验证了在推拉式无线接入下策略性设备调度在多个实际场景中的重要性。仿真结果阐明了设备采样策略在时间约束下对学习效率的影响。
引用
@article{arxiv.2411.08607,
title = {Time-constrained Federated Learning (FL) in Push-Pull IoT Wireless Access},
author = {Van Phuc Bui and Junya Shiraishi and Petar Popovski and Shashi Raj Pandey},
journal= {arXiv preprint arXiv:2411.08607},
year = {2025}
}