本文研究了无线网络中多个联邦学习服务共享通用无线资源的机制,提出了一个两级资源分配框架,包括对联邦学习轮次长度进行优化的内部服务资源分配和分别分配带宽资源给多个联邦学习服务的外部服务资源分配,并介绍了两种不同的服务提供者策略。在此基础上,提出了一种分布式带宽分配算法和一种新的拍卖方法,以优化整体性能和公平性。模拟结果表明,所提出的算法在各种网络条件下优于其他基准方法。
Jan, 2021
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
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
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
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
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
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。
Oct, 2019
研究在有限能源预算的设备上训练机器学习模型时,联邦学习在无线网络中的性能表现,提出了一种基于概率的客户端选择和功率分配方法,通过交替算法解决该问题,并与其他基准进行了比较,结果表明该方法在能源消耗、完成时间和准确性方面取得了显著的性能。
Jan, 2024
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
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。