Federated Learning in Wireless Networks via Over-the-Air Computations

要約

【タイトル】オーバー・ザ・エアー・コンピューテーションを介した無線ネットワークにおけるフェデレーテッドラーニング

【要約】
– マルチエージェントシステムにおいて、エージェントはローカルに使用されているデータを交換せずに、推定されたモデルパラメータを交換することによってモデルを協調的に学習できる。
– この戦略は、(i)潜在的に大規模なデータセットを共有する必要がなく、リソース効率を向上させ、(ii)ローカルエージェントのデータのプライバシーを保証するために主に使用されるフェデレーテッドラーニングと呼ばれる。
– エフィシェンシーは、Over-the-Air Computationという名前の5Gを超える通信戦略を採用することによりさらに向上することができる。
– この戦略は、ワイヤレスチャンネルの干渉特性を利用しています。
– 標準的な通信方式では、異なるエージェントからの信号を異なる時間や周波数スロットで送信することによって干渉を防止し、リソースを節約しますが、Over-the-Air Computationではそれが必要ないため、リソースを節約できます。
– この場合、受信信号は、不明な重み(フェージングチャネル係数)を持つ送信信号の加重和です。
– このフィールドの最先端の論文は、これらの不明な係数を復元することを目的としていますが、ここで提案されているアプローチでは、複雑なエンコード・デコード手法によるチャネル係数の復元を必要としません。これにより、効率性とプライバシーの両方が向上します。

要約(オリジナル)

In a multi-agent system, agents can cooperatively learn a model from data by exchanging their estimated model parameters, without the need to exchange the locally available data used by the agents. This strategy, often called federated learning, is mainly employed for two reasons: (i) improving resource-efficiency by avoiding to share potentially large datasets and (ii) guaranteeing privacy of local agents’ data. Efficiency can be further increased by adopting a beyond-5G communication strategy that goes under the name of Over-the-Air Computation. This strategy exploits the interference property of the wireless channel. Standard communication schemes prevent interference by enabling transmissions of signals from different agents at distinct time or frequency slots, which is not required with Over-the-Air Computation, thus saving resources. In this case, the received signal is a weighted sum of transmitted signals, with unknown weights (fading channel coefficients). State of the art papers in the field aim at reconstructing those unknown coefficients. In contrast, the approach presented here does not require reconstructing channel coefficients by complex encoding-decoding schemes. This improves both efficiency and privacy.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI