及时异步分层联邦学习：收敛年龄
信息论
2023-06-22 v1 分布式、并行与集群计算
机器学习
网络与互联网体系结构
信号处理
math.IT
摘要
我们考虑一种具有客户端-边缘-云框架的异步分层联邦学习（AHFL）设置。客户端与对应的边缘服务器交换训练参数，边缘服务器更新本地聚合模型。该模型随后被传输至本地簇中的所有客户端。边缘服务器与中心云服务器通信以进行全局模型聚合。每个客户端的目标是收敛到全局模型，同时保持客户端的及时性，即具有最优的训练迭代时间。我们研究了此类具有密集簇的系统的收敛准则。我们的分析表明，对于具有固定平均及时性的 个客户端的系统，若节点被划分为 个数量的簇，即若系统被构建为具有密集客户端基群的稀疏边缘服务器集合，则有限时间内的收敛在概率意义下得到保证。
引用
@article{arxiv.2306.12400,
title = {Timely Asynchronous Hierarchical Federated Learning: Age of Convergence},
author = {Purbesh Mitra and Sennur Ulukus},
journal= {arXiv preprint arXiv:2306.12400},
year = {2023}
}