面向多层无线边缘环境下的联邦学习通信优化的研究

摘要：

现有的联邦学习模型同步方法大多基于单层的参数服务器架构,难以适应当前异构无线网络场景,同时存在单点通信负载过重、系统延展性差等问题.针对这些问题,文中提出了一种面向边缘混合无线网络的联邦学习高效模型同步方法.在混合无线网络环境中,边缘移动终端将本地模型传输给附近的小型基站,小型基站收到边缘移动终端模型后执行聚合算法,并将聚合后的模型发送给宏基站完成全局模型更新.考虑到信道性能的异构性和数据传输在无线信道上的竞争关系,文中提出了一种新型的分组异步模型同步方法,并设计了基于传输速率感知的信道分配算法.在真实的数据集上进行了实验,实验结果表明,与传统的模型更新算法相比,所提基于分组异步模型更新的信道分配方法可以缩短25％～60％的训练通信时间,大幅度提升了联邦学习的训练效率.

关键词：联邦学习;异步更新;信道分配;异构无线网络;模型聚合

所属期刊栏目：49

分类号：TP393.1(计算技术、计算机技术)

资助基金：中央高校业务费;中央高校业务费;中国博士后基金面上项目

在线出版日期：2022-03-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：39-45