云无线接入网上的垂直联邦学习：收敛分析与系统优化
信息论
2023-05-11 v1 机器学习
信号处理
math.IT
摘要
垂直联邦学习（FL）是一种协作机器学习框架，使设备能够在不共享本地原始数据的情况下从特征分区数据集中学习全局模型。然而，由于本地中间输出的数量与训练样本数成正比，开发通信高效的技术以支持高维模型聚合与全设备参与的无线垂直FL至关重要。本文提出一种基于云无线接入网（Cloud-RAN）的新型垂直FL系统，利用空中计算（AirComp）并实现地理分布边缘服务器间的协作模型聚合，从而快速准确地进行模型聚合，并缓解通信掉队问题。然而，AirComp引起的模型聚合误差与有限前传容量引起的量化误差会降低垂直FL的学习性能。为解决这些问题，我们刻画了考虑上行与下行传输的垂直FL算法的收敛行为。为提升学习性能，我们通过收发机与前传量化的联合设计建立系统优化框架，并开发了基于连续凸近似与交替凸搜索的系统优化算法。我们进行了大量仿真，以证明所提系统架构与优化框架在垂直FL中的有效性。
引用
@article{arxiv.2305.06279,
title = {Vertical Federated Learning over Cloud-RAN: Convergence Analysis and System Optimization},
author = {Yuanming Shi and Shuhao Xia and Yong Zhou and Yijie Mao and Chunxiao Jiang and Meixia Tao},
journal= {arXiv preprint arXiv:2305.06279},
year = {2023}
}
备注
32 pages, 7 figures