Dynamic D2D-Assisted Federated Learning over O-RAN: Performance Analysis, MAC Scheduler, and Asymmetric User Selection

要約

フェデレーテッド ラーニング (FL) に関する既存の研究は、主にネットワークの静的スナップショットのシステム オーケストレーションと静的制御の決定 (スペクトル割り当てなど) に焦点を当てています。
ただし、現実のワイヤレス ネットワークは、ワイヤレス チャネル容量とユーザーのデータセットの一時的な変動の影響を受けやすくなります。
この論文では、$\mathscr{D}$-Events と呼ばれる一連の離散時間イベントによって捕捉された (M1) 動的無線チャネル容量を含む、マルチ粒度システム ダイナミクス (MSD) を FL に組み込みます。(M2)
) ユーザーの動的データセット。
後者は、(M2-a) 常微分方程式を介してユーザーのデータセット サイズのダイナミクスをモデル化すること、および (M2-b) 偏微分不等式を介して定式化された動的モデル ドリフトを導入することによって特徴付けられます。
‘ データセットと FL 精度。
次に、オープン無線アクセス ネットワーク (O-RAN) の独自の機能を活用して、専用 MAC スケジューラ (DCLM) を備えた動的協調 FL を導入することにより、MSD の下で FL オーケストレーションを実行します。
DCLM は、(i) 階層型のデバイス間 (D2D) 支援モデル トレーニング、(ii) 専用の O-RAN MAC スケジューラーによる動的な制御決定、および (iii) 非対称ユーザー選択を提案します。
DCLM の収束を研究するための広範な理論分析を提供します。
次に、高度に非凸の最適化問題を通じて、DCLM の自由度 (ユーザー選択やスペクトル割り当てなど) を最適化します。
私たちは、この問題の解決策を得る体系的なアプローチを開発し、ネットワークを意識したさまざまな FL 最適化問題の解決への扉を開きます。
数値シミュレーションを通じて DCLM の効率を示し、一連の将来の方向性を提供します。

要約(オリジナル)

Existing studies on federated learning (FL) are mostly focused on system orchestration for static snapshots of the network and making static control decisions (e.g., spectrum allocation). However, real-world wireless networks are susceptible to temporal variations of wireless channel capacity and users’ datasets. In this paper, we incorporate multi-granular system dynamics (MSDs) into FL, including (M1) dynamic wireless channel capacity, captured by a set of discrete-time events, called $\mathscr{D}$-Events, and (M2) dynamic datasets of users. The latter is characterized by (M2-a) modeling the dynamics of user’s dataset size via an ordinary differential equation and (M2-b) introducing dynamic model drift}, formulated via a partial differential inequality} drawing concrete analytical connections between the dynamics of users’ datasets and FL accuracy. We then conduct FL orchestration under MSDs by introducing dynamic cooperative FL with dedicated MAC schedulers (DCLM), exploiting the unique features of open radio access network (O-RAN). DCLM proposes (i) a hierarchical device-to-device (D2D)-assisted model training, (ii) dynamic control decisions through dedicated O-RAN MAC schedulers, and (iii) asymmetric user selection. We provide extensive theoretical analysis to study the convergence of DCLM. We then optimize the degrees of freedom (e.g., user selection and spectrum allocation) in DCLM through a highly non-convex optimization problem. We develop a systematic approach to obtain the solution for this problem, opening the door to solving a broad variety of network-aware FL optimization problems. We show the efficiency of DCLM via numerical simulations and provide a series of future directions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google