面向移动边缘网络中多联邦学习服务的资源共享
机器学习
2020-12-01 v1 分布式、并行与集群计算
摘要
联邦学习是一种在参与设备本地保留数据的同时协作训练共享预测模型的新学习范式。本文研究多接入边缘计算服务器上多联邦学习服务的新模型。相应地，必须考虑每个移动设备上各学习服务间用于本地训练的 CPU 资源共享，以及移动设备间用于交换学习信息的通信资源分配。此外，不同学习服务的收敛性能依赖于需要精确确定的超学习率参数。为此，我们提出一个关于移动设备能耗与总体学习时间的联合资源优化与超学习率控制问题，称为 MS-FEDL。我们设计了基于块坐标下降方法的集中式算法以及用于求解 MS-FEDL 问题的去中心化 JP-miADMM 算法。与集中式方法不同，去中心化方法需要多次迭代才能获得解，但它允许每个学习服务独立管理本地资源与学习过程而不泄露学习服务信息。仿真结果证明了我们所提算法的收敛性能，以及相比启发式策略的优越性能。
引用
@article{arxiv.2011.12469,
title = {Toward Multiple Federated Learning Services Resource Sharing in Mobile Edge Networks},
author = {Minh N. H. Nguyen and Nguyen H. Tran and Yan Kyaw Tun and Zhu Han and Choong Seon Hong},
journal= {arXiv preprint arXiv:2011.12469},
year = {2020}
}