Programación Dinámica para Aprendizaje Federado en el Borde por Aire con Restricciones de Energía

Las tecnologías de aprendizaje automático y comunicación inalámbrica están facilitando conjuntamente un borde inteligente, donde el aprendizaje federado en el borde (FEEL) está surgiendo como un marco de entrenamiento prometedor. Dado que los dispositivos inalámbricos involucrados en FEEL son limitados en recursos en términos de ancho de banda de comunicación, poder de cómputo y capacidad de batería, es importante programarlos cuidadosamente para optimizar el rendimiento del entrenamiento. En este trabajo, consideramos un sistema FEEL por aire con agregación de gradiente analógico y proponemos un algoritmo de programación dinámica consciente de la energía para optimizar el rendimiento del entrenamiento dentro de las restricciones de energía de los dispositivos, donde se considera tanto la energía de comunicación para la agregación de gradiente como la energía de cómputo para el entrenamiento local. La consideración de la energía de cómputo hace que la programación dinámica sea un desafío, ya que los dispositivos se programan antes del entrenamiento local, pero la energía de comunicación para la agregación por aire depende de la norma l₂ del gradiente local, que solo se conoce después del entrenamiento local. Por lo tanto, incorporamos métodos de estimación en la programación para predecir la norma del gradiente. Teniendo en cuenta el error de estimación, caracterizamos la brecha de rendimiento entre el algoritmo propuesto y su contraparte fuera de línea. Los resultados experimentales muestran que, bajo una distribución de datos locales altamente desequilibrada, el algoritmo propuesto puede aumentar la precisión en un 4.9% en el conjunto de datos CIFAR-10 en comparación con el estándar miope, mientras se satisfacen las restricciones de energía.