무선 연합 학습 네트워크에서의 클라이언트 선택 및 대역폭 할당: 장기적 관점

본 논문은 학습 클라이언트들이 지역 데이터를 사용하여 연합 모델 훈련을 수행하기 위해 일반 무선 링크를 공유하는 고전적인 무선 네트워크에서 연합 학습(FL)을 연구한다. 이러한 무선 연합 학습 네트워크(WFLNs)에서 학습 성능을 최적화하는 것은 클라이언트를 선택하고 매 학습 라운드에서 선택된 클라이언트 간에 대역폭을 할당하는 방식에 결정적으로 의존한다. 라디오 및 클라이언트 에너지 자원은 제한적이기 때문이다. 기존의 연구들은 FL을 최적화하기 위해 제한된 무선 자원을 할당하려고 시도했지만, 개별 학습 라운드에서의 문제에 초점을 맞추어 연합 학습의 본질적이고 중요한 특징을 간과하였다. 본 논문은 WFLNs에서 자원 할당에 대한 새로운 장기적 관점을 제시하며, 학습 라운드가 시간적으로 서로 의존할 뿐만 아니라 최종 학습 결과에 대한 중요성이 달라진다는 것을 실현하였다. 이를 위해 첫째로, 다양한 시간적 클라이언트 선택 패턴이 상당히 다른 학습 성과를 초래한다는 것을 보여주는 데이터 기반 실험을 설계한다. 도출된 통찰력을 바탕으로, 우리는 장기 클라이언트 에너지 제약 하에 클라이언트 선택 및 대역폭 할당의 공동 최적화를 위한 확률적 최적화 문제를 공식화하고, 현재 사용 가능한 무선 채널 정보만을 이용하면서도 장기적인 성과 보장을 달성할 수 있는 새로운 알고리즘을 개발한다. 실험 결과, 우리의 알고리즘은 원하는 시간적 클라이언트 선택 패턴을 생성하고, 변화하는 네트워크 환경에 적응하며, FL의 장기적 효과를 무시하는 기준선을 훨씬 초과하는 성과를 보인다.