Selección de Clientes y Asignación de Ancho de Banda en Redes de Aprendizaje Federado Inalámbrico: Una Perspectiva a Largo Plazo

Este artículo estudia el aprendizaje federado (FL) en una red inalámbrica clásica, donde los clientes de aprendizaje comparten un enlace inalámbrico común con un servidor coordinador para realizar el entrenamiento de modelos federados utilizando sus datos locales. En tales redes de aprendizaje federado inalámbrico (WFLNs), la optimización del rendimiento de aprendizaje depende crucialmente de cómo se seleccionan a los clientes y cómo se asigna el ancho de banda entre los clientes seleccionados en cada ronda de aprendizaje, ya que tanto los recursos de radio como de energía de los clientes son limitados. Si bien trabajos existentes han realizado algunos intentos para asignar los limitados recursos inalámbricos con el fin de optimizar el FL, se centran en el problema en rondas de aprendizaje individuales, pasando por alto una característica inherente pero crítica del aprendizaje federado. Este artículo aporta una nueva perspectiva a largo plazo sobre la asignación de recursos en WFLNs, reconociendo que las rondas de aprendizaje no solo son temporalmente interdependientes, sino que también tienen una importancia variable hacia el resultado final del aprendizaje. Para ello, primero diseñamos experimentos basados en datos para mostrar que diferentes patrones de selección temporal de clientes conducen a un rendimiento de aprendizaje considerablemente diferente. Con los conocimientos obtenidos, formulamos un problema de optimización estocástica para la selección conjunta de clientes y la asignación de ancho de banda bajo restricciones de energía de los clientes a largo plazo, y desarrollamos un nuevo algoritmo que utiliza solo la información del canal inalámbrico actualmente disponible pero que puede lograr una garantía de rendimiento a largo plazo. Los experimentos muestran que nuestro algoritmo resulta en el patrón de selección temporal de clientes deseado, se adapta a entornos de red cambiantes y supera con creces a los puntos de referencia que ignoran el efecto a largo plazo del FL.