无人机赋能的异步联邦学习
信号处理
2024-03-12 v1
摘要
为了利用移动边缘网络中前所未有的数据生成能力，联邦学习 (FL) 已成为传统集中式机器学习 (ML) 的一种有前景的替代方案。然而，FL 的部署面临一些关键挑战。其中一个被称为“掉队者”问题的主要挑战严重限制了 FL 的覆盖范围，其中信道条件最差的设备成为模型聚合性能的瓶颈。此外，巨大的上行链路通信开销损害了 FL 的有效性，这在大规模系统中尤为明显。为解决掉队者问题，我们提出集成无人机 (UAV) 作为参数服务器 (UAV-PS) 以协调 FL 的实施。我们进一步采用利用无线信道叠加特性的空中计算技术以实现高效的上行链路通信。具体而言，本文开发了一种新颖的无人机赋能空中计算异步 FL (UAV-AFL) 框架，该框架支持 UAV-PS 持续更新模型以提升学习性能。此外，我们进行了收敛性分析，以定量捕捉模型异步性、设备选择和通信误差对 UAV-AFL 学习性能的影响。在此基础上，构建了一个统一的通信 - 学习问题，通过优化 UAV-PS 轨迹、设备选择和空中收发器设计来最大化渐近学习性能。仿真结果表明，与最先进的方法相比，所提出的方案实现了显著的学习效率提升。
引用
@article{arxiv.2403.06653,
title = {UAV-Enabled Asynchronous Federated Learning},
author = {Zhiyuan Zhai and Xiaojun Yuan and Xin Wang and Huiyuan Yang},
journal= {arXiv preprint arXiv:2403.06653},
year = {2024}
}