无线网络中分层联邦学习的用户分配与资源分配
分布式、并行与集群计算
2023-09-19 v1 机器学习
摘要
海量无线用户是数据众包机器学习（ML）的关键驱动因素。然而，数据隐私仍是一个重要关切。联邦学习（FL）鼓励在ML中共享数据而无需数据离开用户设备，但对移动设备施加了沉重的计算与通信开销。分层联邦学习（HFL）通过在边缘服务器执行部分模型聚合缓解了此问题。HFL可通过有效的资源分配与适当的用户分配降低能耗与延迟。然而，HFL中的资源分配涉及多变量优化，且目标函数应同时考虑能耗与延迟，使得资源分配算法开发极为复杂。此外，用户分配是在大搜索空间中的组合优化问题，难以求解。本文提出一种频谱资源优化算法（SROA）与两阶段迭代算法（TSIA）用于HFL。给定任意用户分配模式，SROA优化CPU频率、发射功率与带宽以最小化系统代价。TSIA旨在寻找可大幅降低总系统代价的用户分配模式。实验结果表明所提HFL框架在能耗与延迟降低上优于现有研究。
引用
@article{arxiv.2309.09253,
title = {User Assignment and Resource Allocation for Hierarchical Federated Learning over Wireless Networks},
author = {Tinghao Zhang and Kwok-Yan Lam and Jun Zhao},
journal= {arXiv preprint arXiv:2309.09253},
year = {2023}
}
备注
Under review by IEEE Transactions on Communications