Dynamic Scheduling for Federated Edge Learning with Streaming Data

要約

タイトル：ストリーミングデータに対するフェデレーテッドエッジ学習のためのダイナミックスケジューリング

要約：

– フェデレーテッドエッジ学習（FEEL）システムでは、トレーニングデータが分散したエッジデバイスでランダムに生成され、長期的なエネルギー制約がある。
– 通信リソースとレイテンシ要件の制限により、各イテレーションでローカルなトレーニングプロセスに参加するデバイスのサブセットのみがスケジュールされる。
– スケジュールされたユーザーセットから時間平均データ重要度を最大化する動的スケジューリング方針の設計に向けた確率的ネットワーク最適化問題を定式化する。
– Lyapunov最適化フレームワークに基づく提案されたアルゴリズムは、時間変化するデータ重要度を考慮しない代替方法よりも、特にトレーニングデータの生成が強い時間相関を示す場合に優れたパフォーマンスを発揮する。

要約(オリジナル)

In this work, we consider a Federated Edge Learning (FEEL) system where training data are randomly generated over time at a set of distributed edge devices with long-term energy constraints. Due to limited communication resources and latency requirements, only a subset of devices is scheduled for participating in the local training process in every iteration. We formulate a stochastic network optimization problem for designing a dynamic scheduling policy that maximizes the time-average data importance from scheduled user sets subject to energy consumption and latency constraints. Our proposed algorithm based on the Lyapunov optimization framework outperforms alternative methods without considering time-varying data importance, especially when the generation of training data shows strong temporal correlation.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI