Feb, 2020

不确定信道下的联邦学习：客户端调度与资源分配

PDF
TL;DR本文提出了一种联合客户端调度和资源块分配策略，通过利用高斯过程回归（GPR）的无线信道预测方法和 Lyapunov 优化框架，可以减少在不完美信道情况下联邦学习（FL）的准确性损失。通过数值模拟，在完美和不完美 CSI 下，实验表明该方法可以将准确性损失降低到 25.8％以下，相对于现有的客户端调度和 RB 分配方法的优化效果得到了很好的验证。
发现论文，激发创造
  • 无线联合学习中低延迟设备调度和资源分配

    本文基于对计算能力和通信资源的有限制约束，提出了一种联邦学习的设备调度和资源分配策略，该策略通过低限性能损失的界限，将准确性最大化问题拆分为两个子问题，并通过贪心设备调度算法进行解决。实验证明，该策略在各种数据分布和小区半径下均优于现有调度策略。

    Jul, 2020

  • 基于多臂赌博机的联邦学习客户端调度

    本文提出了一个基于多臂赌博机策略的在线客户端调度（CS）框架，用于减少联邦学习中数百到数千个通信轮延迟。两个基于上置信区间（UCB）策略的 CS 算法（CS-UCB 和 CS-UCB-Q）被提出以应对不理想的本地数据集的非独立、不平衡属性和客户可用性的变化。本文还分析了 FL 训练的收敛性能，并且模拟结果验证了所提出的算法的有效性。

    Jul, 2020

  • 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

  • 针对低延迟联邦学习的移动感知联合用户调度和资源分配

    联邦学习是一种高效的分布式机器学习方法，通过用户端的迭代本地模型训练和中央服务器端的全局模型聚合，保护用户的隐私。然而，现有的工作只研究了静态场景或用户位置的随机初始化，未能捕捉到真实网络中的用户移动。为了解决这个问题，在联邦学习中引入了用户的移动模型，并开发了一种用户调度和资源分配方法，以减小由于通信资源有限而带来的训练延迟。模拟结果表明，所提出的算法相比最先进的基线算法具有更好的性能，一定程度的用户移动可以提高训练性能。

    Jul, 2023

  • 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

  • 无线联邦学习网络中的客户端选择与带宽分配：长期视角

    本文讨论在无线网络中的联邦学习，研究如何在联邦学习网络中优化资源分配，同时兼顾长期和短期的因素，提出一种新的算法来解决这一问题，并在实验中得到不错的表现。

    Apr, 2020

  • 关于不完美 CSI 下无线网络联邦学习的收敛时间

    本文提出了一种训练过程，利用频道统计信息作为偏差来减小联邦机器学习模型的收敛时间，并通过数值实验证明可以通过忽略不能维持最小预定传输速率的客户端的模型更新来减少训练时间，同时研究参与训练的客户端数量与模型精度之间的权衡关系。

    Apr, 2021

  • 基于学习的无线网络联邦学习服务客户选择与经济预算约束

    该研究针对无线网络中多个联合学习服务，探究了一个基于数据质量感知的动态客户端选择问题，提出了一个多智能体混合深度强化学习算法以优化客户端选择和付款行为，同时避免行动冲突，并给出了模拟结果表明该算法显著提高了训练性能。

    Aug, 2022

  • 异步无线联邦学习与概率客户端选择

    通过联邦学习解决异步模式下的执行阻塞问题，提出利用概率选择客户端和带宽分配来优化异步联邦学习的收敛速度和移动能源消耗的问题，并通过实验验证了该方法的优越性。

    Nov, 2023

  • 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