基于自适应聚合时间的半同步联邦资源优化算法

打开文本图片集

摘 要：联邦学习是一种高效的分布式机器学习方法，其中多个设备使用自己的本地数据进行分布式模型训练，不需要交换本地数据，仅通过交换模型参数来构建共享的全局模型，从而保护用户的隐私。为了平衡模型性能和通信延迟，在半同步联邦学习场景下，使用权重参数建立了一个最小化模型性能和聚合时间的加权和的优化问题。优化变量包括进行全局模型更新的聚合时间、用户调度以及参与上传的用户的带宽和发射功率，通过使用交替方向乘子法（Ａｌｔｅｒｎａｔｉｎｇ Ｄｉｒｅｃｔｉｏｎ Ｍｅｔｈｏｄ ｏｆ Ｍｕｌｔｉｐｌｉｅｒｓ，ＡＤＭＭ）将所提混合整数非线性规划（Ｍｉｘｅｄ Ｉｎｔｅｇｅｒ Ｎｏｎ-Ｌｉｎｅａｒ Ｐｒｏｇｒａｍｍｉｎｇ，ＭＩＮＬＰ）问题分解为两个子问题进行求解。（剩余8492字）