基于空中计算的联邦学习用户调度
机器学习
2021-08-09 v1 人工智能
信号处理
摘要
一种称为联邦学习(FL)的新机器学习(ML)技术旨在将数据保留在边缘设备，并仅在学习过程中交换 ML 模型参数。FL 不仅减少了通信需求，还有助于保护本地隐私。尽管 FL 有这些优势，当大量边缘设备连接到中央参数服务器(PS)和/或学习过程涉及数百万模型参数时，仍可能经历较大通信延迟。空中计算(AirComp)能够通过允许多个设备使用模拟调制同时发送数据，在计算的同时传输数据。为通过 AirComp 在 FL 中取得良好性能，用户调度起着关键作用。本文中，我们研究并比较了基于不同准则（如无线信道条件和模型更新的重要性）的用户调度策略。接收波束成形被用于最小化通过 AirComp 的函数聚合结果失真的均方误差(MSE)。仿真结果表明，基于模型更新重要性的调度在训练过程中波动较小，而基于信道条件的调度在能效上具有优势。
引用
@article{arxiv.2108.02891,
title = {User Scheduling for Federated Learning Through Over-the-Air Computation},
author = {Xiang Ma and Haijian Sun and Qun Wang and Rose Qingyang Hu},
journal= {arXiv preprint arXiv:2108.02891},
year = {2021}
}