Adaptive Dezentralisierte Federated Learning in Energie- und Latenzbegrenzten Drahtlosen Netzwerken

Im Federated Learning (FL), bei dem die Parameter von einem zentralen Knoten aggregiert werden, ist die Kommunikationsüberkopf ein erhebliches Anliegen. Um diese Einschränkung zu umgehen und den einzelnen Fehlerpunkt innerhalb des FL-Rahmens zu beseitigen, haben neuere Studien Dezentralisiertes Federated Learning (DFL) als eine praktikable Alternative eingeführt. Angesichts der Heterogenität der Geräte und der Energiekosten, die mit der Parameteraggregation verbunden sind, wird in diesem Papier das Problem untersucht, wie die begrenzten Ressourcen effizient genutzt werden können, um die Modellleistung zu verbessern. Konkret formulieren wir ein Problem, das die Verlustfunktion von DFL minimiert, während es Energie- und Latenzbeschränkungen berücksichtigt. Die vorgeschlagene Lösung beinhaltet die Optimierung der Anzahl der lokalen Trainingsrunden über verschiedene Geräte mit unterschiedlichen Ressourcenbudgets. Um dieses Problem handhabbar zu machen, analysieren wir zunächst die Konvergenz von DFL mit Edge-Geräten bei unterschiedlichen Runden des lokalen Trainings. Die abgeleitete Konvergenzgrenze zeigt den Einfluss der Runden des lokalen Trainings auf die Modellleistung. Basierend auf der abgeleiteten Grenze werden dann die geschlossenen Lösungen für die Runden des lokalen Trainings in verschiedenen Geräten erhalten. Währenddessen, da die Lösungen die Energiekosten der Aggregation so niedrig wie möglich halten müssen, modifizieren wir verschiedene graphenbasierte Aggregationsschemata, um dieses Problem der Minimierung des Energieverbrauchs zu lösen, das auf unterschiedliche Kommunikationsszenarien angewendet werden kann. Schließlich wird ein DFL-Rahmen vorgeschlagen, der die optimierten Runden des lokalen Trainings und das energiesparende Aggregationsschema gemeinsam berücksichtigt. Simulationsergebnisse zeigen, dass der vorgeschlagene Algorithmus eine bessere Leistung erbringt als die herkömmlichen Schemata mit festen Runden des lokalen Trainings und weniger Energie als andere traditionelle Aggregationsschemata verbraucht.