Energy-Efficient Channel Decoding for Wireless Federated Learning: Convergence Analysis and Adaptive Design

要約

フェデレーテッド ラーニング (FL) などの分散学習ソリューションをワイヤレス ネットワークに導入する際の最も重要な課題の 1 つは、モバイル クライアントのバッテリー容量が限られていることです。
モバイル クライアントの主なエネルギー消費はアップリンク データ送信によるものであると一般的に考えられていますが、この論文では、チャネル デコーディングもフロリダ州のモバイル クライアントの全体的なエネルギー消費に大きく寄与しているという新しい発見を示しています。
この新しい観察を動機として、我々は、FL の本質的な堅牢性を活用してエラーをモデル化する、エネルギー効率の高い適応チャネル復号化スキームを提案します。
特に、この堅牢性は、デコード反復回数を適応的に調整することにより、モバイル クライアントのチャネル デコーダのエネルギー消費を削減するために利用されます。
ビット誤り率 (BER) が適切に抑制されていれば、通信エラーのある無線 FL は、エラーのない通信の場合と同じ速度で収束できることを理論的に証明します。
次に、無線 FL システムのエネルギー効率を向上させるために、適応チャネル復号化方式が提案されます。
実験結果は、提案された方法が既存のアプローチと比較して、チャネル復号エネルギー消費を約 20% 削減しながら、同じ学習精度を維持することを示しています。

要約(オリジナル)

One of the most critical challenges for deploying distributed learning solutions, such as federated learning (FL), in wireless networks is the limited battery capacity of mobile clients. While it is a common belief that the major energy consumption of mobile clients comes from the uplink data transmission, this paper presents a novel finding, namely channel decoding also contributes significantly to the overall energy consumption of mobile clients in FL. Motivated by this new observation, we propose an energy-efficient adaptive channel decoding scheme that leverages the intrinsic robustness of FL to model errors. In particular, the robustness is exploited to reduce the energy consumption of channel decoders at mobile clients by adaptively adjusting the number of decoding iterations. We theoretically prove that wireless FL with communication errors can converge at the same rate as the case with error-free communication provided the bit error rate (BER) is properly constrained. An adaptive channel decoding scheme is then proposed to improve the energy efficiency of wireless FL systems. Experimental results demonstrate that the proposed method maintains the same learning accuracy while reducing the channel decoding energy consumption by ~20% when compared to an existing approach.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google