无线供能联邦学习网络：联合功率传输、数据感知、模型训练与资源分配
网络与互联网体系结构
2023-08-10 v1 人工智能
摘要
联邦学习（FL）在无线网络中已取得诸多成功；然而，FL 的实施一直受限于移动设备（MD）的能量限制以及 MD 上训练数据的可用性。如何整合无线功率传输与移动群智感知以实现可持续的 FL 方案，是公开文献中完全缺失的研究课题。本工作首次研究协作感知辅助的可持续 FL（S2FL）网络中的资源分配问题，目标是最小化总完成时间。我们研究一种实用的采集-感知-训练-传输协议，其中能量受限的 MD 首先从射频信号收集能量，利用能量获得用户参与奖励，从环境感知训练数据，在 MD 上训练本地模型，并将模型更新传输至服务器。联合优化功率传输、发射功率分配、数据感知、带宽分配、本地模型训练与数据传输的总完成时间最小化问题由于非凸目标函数、高度非凸约束以及强耦合变量而十分复杂。我们提出一种计算高效的路径跟踪算法，通过分解技术获得最优解。特别地，针对资源分配子问题构建内凸近似，并以迭代方式交替执行子问题。仿真结果评估了所提 S2FL 算法的有效性，与其他基准方案相比完成时间最多减少 21.45%。此外，我们将工作从频分多址（FDMA）扩展至非正交多址（NOMA），表明 NOMA 可使所考虑 FL 系统的总完成时间平均加快 8.36%。
引用
@article{arxiv.2308.04953,
title = {Wirelessly Powered Federated Learning Networks: Joint Power Transfer, Data Sensing, Model Training, and Resource Allocation},
author = {Mai Le and Dinh Thai Hoang and Diep N. Nguyen and Won-Joo Hwang and Quoc-Viet Pham},
journal= {arXiv preprint arXiv:2308.04953},
year = {2023}
}