MMApr, 2021

面向无线联邦学习的资源分配：概念、优势与挑战

PDF
TL;DR本文提出资源配额新框架（Resource Rationing）是一种针对无线联邦学习的资源调配方法，旨在平衡学习周期内的资源以明确其对联邦学习性能的集体影响，并可以与现有资源配置方案无缝集成，以优化联邦学习的收敛，此新框架的 “后来者优先” 原则在几个无线联邦学习实例中得到验证，同时提出值得追求的技术挑战和研究机会，突出了将新兴联邦学习视为新的服务类别，具有其特定特征，以及为该特殊服务设计通信算法的好处。
resource allocationwireless federated learningconvergencelater-is-better principlecommunication algorithms
发现论文，激发创造
  • 无线网络上的联邦学习：收敛分析和资源分配

    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

  • 无线边缘网络中多个联邦学习服务的带宽分配

    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

  • 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

  • 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

  • 层次化联邦学习在无线网络上的用户分配和资源分配

    该论文提出了一种层次化联邦学习（Hierarchical FL）框架，并引入了光谱资源优化算法（SROA）和两阶段迭代算法（TSIA），以实现在无线用户大数据集中能源消耗和延迟降低方面的领先优势。

    Sep, 2023

  • 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

  • V2X 网络中资源分配的联邦强化学习

    在车联网（V2X）网络中，我们通过联邦强化学习（FRL）框架探索资源分配，并使用非精确交替方向乘子法（ADMM）实现了算法 PASM，在 V2X 网络中解决资源分配问题，并与基线方法进行了比较。

    Oct, 2023

  • 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

  • 无线联邦学习中具有可证保证的传输学习

    本文提出了一种新的数据驱动方法，可为干扰限制的无线网络上的联邦学习分配传输功率，使用图卷积网络来参数化功率分配策略，并通过 primacy-dual 算法求解相关的约束优化问题，从而实现优化 FL 过程中服务端接收到的信息，最终提高全局 FL 模型的准确性和效率。

    Apr, 2023