分层联邦学习中的时间最小化

联邦学习是一种现代的去中心化机器学习技术，其中用户设备本地执行机器学习任务，然后将模型参数上传至中央服务器。在本文中，我们考虑一个三层分层联邦学习系统，涉及云与边缘服务器之间、以及边缘服务器与用户设备之间的模型参数交换。在分层联邦学习模型中，模型参数的通信与计算延迟对达到预定义的全局模型精度有很大影响。因此，我们通过优化本地迭代次数和边缘迭代次数，构建一个联合学习与通信优化问题以最小化模型参数通信与计算总延迟。为求解该问题，提出了一种迭代算法。此后，给出了一种时间最小化的用户设备到边缘关联算法，降低了系统的最大延迟。仿真结果表明，在最优边缘服务器与本地迭代次数下全局模型收敛更快。所提出的用户设备到边缘关联策略使分层联邦学习延迟最小化。