无人机辅助的半分散混合联邦学习中的完成时间最小化

《IEEE Transactions on Mobile Computing》：Completion Time Minimization for UAV-Assisted Semi-Decentralized Hybrid Federated Learning

半去中心化联邦学习框架通过无人机移动数据中心优化大规模物联网网络的模型收敛效率，采用混合整数非线性规划建模解决能耗与网络稳定性问题，动态集群选择与资源分配算法实现低复杂度优化，仿真验证其有效性和时间-规模权衡特性。

　　

摘要：

物联网（IoT）使得大量无线设备能够相互连接，从而产生了海量的数据流，这可能会使中央服务器不堪重负。联邦学习（FL）通过将计算任务分配到边缘设备上来缓解这些问题，从而通过消除对原始数据传输的需求来保护数据隐私。然而，在大规模物联网网络中部署联邦学习时，会遇到一些挑战，如设备能耗限制、异构网络条件以及“落后者效应”，这些因素不可避免地会阻碍模型的收敛。为了解决这些问题，本文提出了一种半去中心化的混合联邦学习（SDHFL）方案，该方案利用无人机（UAV）作为移动数据中心从分布式的物联网集群中收集数据。为了进一步加快联邦学习的收敛速度，我们构建了一个非凸混合整数非线性规划（MINLP）问题，旨在在确保服务质量（QoS）要求的同时，最小化总体完成时间，同时考虑了无人机的能耗限制和网络稳定性。我们通过优化电力分配和设备的计算能力证明了高效学习的可行性。此外，我们还证明了所提出的SDHFL方案的收敛性，并推导出了所需的全球迭代次数最小值。基于这些见解，我们引入了一种低复杂度的次优算法，用于动态集群选择和资源分配优化，该算法利用李雅普诺夫优化理论高效地获得最优解，展示了其在大规模网络中的可扩展性。我们的仿真结果验证了所提出的SDHFL框架的有效性，揭示了一个非平凡的权衡关系：随着设备或集群数量的增加，总体完成时间最初会减少，随后又会增加，这表明优化集群数量和集群内设备分配的必要性。与几种基线方案相比，我们提出的最优算法显著减少了总体完成时间...

显示更多