无线网络上的联邦学习：收敛分析和资源分配

Oct, 2019

无线网络上的联邦学习：收敛分析和资源分配

Federated Learning over Wireless Networks: Convergence Analysis and Resource Allocation

Canh T. Dinh, Nguyen H. Tran, Minh N. H. Nguyen, Choong Seon Hong, Wei Bao...

TL;DR提出了一种处理异构用户设备数据的联邦学习算法，同时结合对微波资源分配问题的优化，实现了收敛速率和能耗之间的平衡，并用 Tensorflow 实验验证了该算法的理论分析和优化表现。

Abstract

There is an increasing interest in a fast-growing machine learning technique called federated learning, in which the model training is distributed over mobile user equipments (UEs), exploiting UEs' local computation and training data. Despite its advantages in data privacy-preserving,

federated learning heterogeneous data resource allocation optimization convergence rate tensorflow experiments

发现论文，激发创造

联合学习和通信框架用于无线网络联邦学习

研究了在现实无线网络上训练联邦学习算法的问题，提出了一种联合学习、无线资源分配和用户选择的优化问题，并获得了期望收敛速率的闭式表达式，从而实现最小化 FL 损失函数的最优用户选择和上行资源块分配。

Sep, 2019

无线联邦学习中数据异构的分析与优化

本文针对数据异构性与无线资源分配相结合的无线联邦学习问题，提出了性能分析与优化的方法，在考虑数据异构性的同时，优化客户端调度、资源分配和本地训练轮数，通过实验验证了该算法在学习准确性和能量消耗方面的优势。

Aug, 2023

无线网络联邦学习的收敛时间优化

本研究旨在解决联邦学习在无线网络中的收敛速度问题，通过提出一种概率用户选择方案以及利用人工神经网络来估计未被分配资源块的用户的局部模型，从而在优化联邦学习性能的基础上最小化收敛时间。

Jan, 2020

利用联邦学习改变无线网络：全面回顾

通过提出的机器学习模型联邦学习（FL），本文讨论了机器学习在无线通信中的重要性，并强调 FL 在未来移动网络中，尤其是 6G 及以上的关键作用。

Aug, 2023

无线网络异步多模型联邦学习：理论、建模和优化

本文提出了一种应用于多个下游任务的异步模型传输的联邦学习方法，通过引入调度张量来表征设备调度，并通过收敛性分析探究了资源分配、设备调度和个体模型状态等对机器学习性能的影响，进而通过非凸混合整数优化问题来调整资源分配和设备调度，以在能量消耗和性能之间达到高效平衡，并通过数值模拟揭示了该方法在模型性能和网络资源节约方面的优势。

May, 2023

不可靠和资源受限的蜂窝无线网络中的联邦学习

本文提出一种适用于蜂窝无线网络的联合学习算法，证明了其收敛性，并提供了最优调度策略，同时研究了局部计算步骤和通信步骤对算法收敛的影响。

Dec, 2020

无线网络联邦学习的调度策略

本文基于一个分析模型，研究了联邦学习在无线网络中的性能表现和调度策略，并发现在高信噪比下使用比例公平调度策略会比随机调度和轮询调度策略更有效，而在低信噪比下轮询调度策略更为可取。同时发现了更新参数的压缩和量化在提高联邦学习收敛速度方面的重要性，并揭示了在可用频谱量不变的情况下调度的用户数和子信道带宽之间的权衡关系。

Aug, 2019

无线通信网络上的能效联邦学习

研究了基于无线通信网络的联邦学习中的能源有效传输和计算资源分配问题，并提出了一种迭代算法，以解决此优化问题，并通过数值结果表明了该算法相对于传统 FL 方法可将能源消耗降低高达 59.5％。

Nov, 2019

无线联邦学习中快速收敛的设备调度

本文以联邦学习为背景，提出一种联合带宽分配和设备调度问题的解决方案，该方案通过一个贪心算法和运行时间预算中定向分配宽带的优化模型实现，从而在模型精度和训练时间预算方面实现了最好的性能表现。

Nov, 2019

无线网络上高效计算与通信的联邦学习

通过将学习模型分为全局部分和个性化部分，以实现模型剪枝和个性化，本文提出了一种解决异构设备数据、计算和通信延迟以及非独立同分布数据的联邦学习框架，并通过数学分析研究了其收敛性、计算和通信延迟，并最终通过优化问题得到了剪枝比例和无线资源分配的闭式解。实验结果表明，相比只进行模型个性化的方案，该框架能够显著减少约 50％的计算和通信延迟。

Sep, 2023