无线量化联邦学习：计算与通信联合设计
信号处理
2022-03-14 v1 机器学习
摘要
近来，联邦学习（FL）作为一种前景广阔的去中心化机器学习方法引发了广泛关注，其具备隐私保护与低时延特性。然而，通信瓶颈仍是制约 FL 在无线网络中高效部署亟需解决的问题。本文旨在通过在上行传输前对本地模型参数进行量化，最小化 FL 的总收敛时间。更具体地，首先给出了带随机量化的 FL 算法的收敛性分析，揭示了量化误差对收敛速率的影响。随后，基于收敛性分析所导出的能量与量化误差约束，我们联合优化计算资源、通信资源与量化比特数，以保证所有全局轮次上的收敛时间最小。评估了量化误差对收敛时间的影响，并揭示了模型精度与及时执行之间的权衡。此外，所提方法相较基线方案展现出更快的收敛速度。最后，为量化误差容限的选择提供了有益见解。
引用
@article{arxiv.2203.05878,
title = {Wireless Quantized Federated Learning: A Joint Computation and Communication Design},
author = {Pavlos S. Bouzinis and Panagiotis D. Diamantoulakis and George K. Karagiannidis},
journal= {arXiv preprint arXiv:2203.05878},
year = {2022}
}