在推拉式物联网无线接入中具有时间限制的联邦学习（FL）

《IEEE Networking Letters》：Time-Constrained Federated Learning (FL) in Push-Pull IoT Wireless Access

在时间受限的联邦学习环境中，研究推拉交互机制对模型性能的影响，通过构建效用分析模型揭示设备调度策略的重要性，基于真实数据验证了策略性拉取机制在共享无线接入中显著提升学习效率，仿真表明设备抽样策略直接影响时间约束下的学习效果。

　　

摘要：

在网络边缘训练高质量的联邦学习（FL）模型面临着传输资源有限的挑战。尽管已经提出了多种设备调度策略，但调度决策如何影响FL模型在时间约束下的性能仍不清楚。当无线介质被共享以允许多种通信模式的异构物联网（IoT）设备参与时，这一问题尤为突出：（1）调度（拉取）方案，选择具有重要更新内容的设备；（2）随机访问（推送）方案，感兴趣的设备传输模型参数。本研究通过基于效用的分析模型，探讨了在时间受限的FL环境中拉取-推送交互的作用机制，其中通信机会是有限的。利用真实世界的数据集，我们提供了性能权衡分析，验证了在拉取-推送无线接入下进行策略性设备调度的重要性，适用于多种实际场景。仿真结果阐明了设备采样策略在时间约束下对学习效率的影响。