Nov, 2023
NOMA-Enabled 层次联合学习的客户端编排和成本效益的联合优化
Client Orchestration and Cost-Efficient Joint Optimization for NOMA-Enabled Hierarchical Federated Learning
Bibo Wu, Fang Fang, Xianbin Wang, Donghong Cai, Shu Fu...
TL;DR本文提出了一种在半同步云模型聚合下，利用非正交多址接入技术的分层联邦学习系统，旨在最小化每次分层联邦学习全局轮次中的时间和能源成本。具体而言，我们首先提出了一种新颖的基于模糊逻辑的客户端编排策略，考虑了客户端在信道质量、数据数量和模型陈旧度等多个方面的异质性。随后，给定基于模糊逻辑的客户端边缘关联，我们制定了一种联合边缘服务器调度和资源分配问题。通过问题分解，我们首先利用罚函数对偶分解（PDD）方法导出了边缘服务器调度子问题的闭式解，然后提出了一种基于深度确定性策略梯度（DDPG）的算法，以解决考虑到时变环境的资源分配子问题。最后，广泛的仿真实验证明了所提出的方案在分层联邦学习性能提升和总成本降低方面优于考虑的基准。