联邦学习中的上行调度：一种基于图表示学习的重要性感知方法
网络与互联网体系结构
2023-11-09 v1 机器学习
摘要
联邦学习(Federated Learning, FL)已成为 6G 中基于 AI 的服务、应用和网络过程分布式训练的一个有前景的框架。影响 6G 无线 FL 系统性能与效率的主要挑战之一是在资源受限信道上大规模调度用户设备。在本文中，我们认为 FL 客户端设备的上行调度是一个具有丰富关系结构的问题。为应对这一挑战，我们利用无监督图表示学习(Unsupervised Graph Representation Learning, UGRL)提出了一种新颖、节能且重要性感知的 FL 应用客户端调度度量。与最先进的重要性感知机制不同，我们提出的方法在调度过程中引入了关系归纳偏置，且不需要从客户端设备收集训练反馈信息。我们基于文献中近期提出的度量，将所提方案与基线调度算法进行了评估。结果表明，在考虑具有空间关系的节点场景时，与最先进的重要性感知策略相比，我们的方法在模型精度上可实现高达 10% 的平均增益，在能效上可达 17 倍。
引用
@article{arxiv.2301.11903,
title = {Uplink Scheduling in Federated Learning: an Importance-Aware Approach via Graph Representation Learning},
author = {Marco Skocaj and Pedro Enrique Iturria Rivera and Roberto Verdone and Melike Erol-Kantarci},
journal= {arXiv preprint arXiv:2301.11903},
year = {2023}
}
备注
6 pages, 6 figures, conference paper