基于独立采样的6G无线异构联邦学习优化方法

摘要：

联邦学习作为新兴的分布式机器学习框架,能够为6G网络提供高效、安全的分布式数据资源使用方案.旨在研究最小化无线异构联邦学习系统的收敛挂钟时间.首先,给出了独立采样下联邦学习的收敛界限;进一步,提出带宽自适应分配方法以解决"掉队者"问题;最后,构建并求解最小化系统总挂钟时间的优化问题,得到最优采样概率.实验结果表明,该方法显著减少了联邦学习的收敛挂钟时间,验证了其实用性和优越性.

关键词：联邦学习、客户端采样、无线异构网络

所属期刊栏目：48

分类号：TN929.5

资助基金：北京市自然基金;国家自然科学基金;中央高校基本科研业务费专项

在线出版日期：2024-09-09（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：90-95