无线网络上的时间触发联邦学习
机器学习
2022-05-03 v2 系统与控制
系统与控制
摘要
新兴的联邦学习（FL）框架提供了一种以保护隐私的方式训练机器学习模型的新方法。然而，传统的FL算法基于事件触发的聚合，这存在掉队者和通信开销问题。为解决这些问题，本文提出了一种无线网络上的时间触发FL算法（TT-Fed），它是经典同步和异步FL的广义形式。考虑到无线通信的资源受限和不可靠特性，我们联合研究了用户选择和带宽优化问题，以最小化FL训练损失。为解决这个联合优化问题，我们对TT-Fed进行了全面的收敛性分析。基于得到的解析收敛上界，该优化问题被分解为每个全局聚合轮次的可处理子问题，并最终通过我们提出的在线搜索算法求解。仿真结果表明，与异步FL（FedAsync）和具有异步用户分层的FL（FedAT）基准相比，我们提出的TT-Fed算法在高度不平衡和非独立同分布的数据下，收敛后的测试准确率分别提高了高达12.5%和5%，同时显著降低了通信开销。
引用
@article{arxiv.2204.12426,
title = {Time-triggered Federated Learning over Wireless Networks},
author = {Xiaokang Zhou and Yansha Deng and Huiyun Xia and Shaochuan Wu and Mehdi Bennis},
journal= {arXiv preprint arXiv:2204.12426},
year = {2022}
}