Strategic Client Selection to Address Non-IIDness in HAPS-enabled FL Networks

要約

高高度プラットフォームステーション（HAPS）によってサポートされている非地球ネットワーク（NTN）におけるフェデレートラーニング（FL）の展開は、多くの利点を提供します。
フットプリントが大きいため、多数の見通し（LOS）グラウンドクライアントとの相互作用が促進され、それぞれが異なるコミュニケーション機能と計算機能とともに多様なデータセットを所有しています。
多くのクライアントの存在は、FLモデルの精度を高め、収束をスピードアップします。
ただし、これらのクライアント間のさまざまなデータセットは、広範な非独立と同一に分布した（非IID）データにつながるため、重要な課題をもたらします。
データの非容量により、トレーニングの精度が著​​しく低下し、収束率が遅くなります。
この問題に対処するために、履歴トラフィックパターン、瞬時チャネル条件、計算機能、以前の学習パフォーマンスなど、複数のユーザー固有の属性を活用する新しい加重属性ベースのクライアント選択戦略を提案します。
これらの属性をすべてのFLラウンドで各ユーザーの複合スコアに組み合わせ、FLクライアントとしてより高いスコアを持つユーザーを選択することにより、フレームワークはより均一で代表的なデータ分布を保証し、非IIDデータの悪影響を効果的に軽減します。
シミュレーション結果は、大規模なFLシステムの実装におけるデータの非具体性の重要な課題に効果的に対処することにより、FLモデルの精度と収束率を高めるだけでなく、トレーニングの損失を減らすための提案されたクライアント選択戦略の有効性を裏付けています。

要約(オリジナル)

The deployment of federated learning (FL) in non-terrestrial networks (NTN) that are supported by high-altitude platform stations (HAPS) offers numerous advantages. Due to its large footprint, it facilitates interaction with a large number of line-of-sight (LoS) ground clients, each possessing diverse datasets along with distinct communication and computational capabilities. The presence of many clients enhances the accuracy of the FL model and speeds up convergence. However, the variety of datasets among these clients poses a significant challenge, as it leads to pervasive non-independent and identically distributed (non-IID) data. The data non-IIDness results in markedly reduced training accuracy and slower convergence rates. To address this issue, we propose a novel weighted attribute-based client selection strategy that leverages multiple user-specific attributes, including historical traffic patterns, instantaneous channel conditions, computational capabilities, and previous-round learning performance. By combining these attributes into a composite score for each user at every FL round and selecting users with higher scores as FL clients, the framework ensures more uniform and representative data distributions, effectively mitigating the adverse effects of non-IID data. Simulation results corroborate the effectiveness of the proposed client selection strategy in enhancing FL model accuracy and convergence rate, as well as reducing training loss, by effectively addressing the critical challenge of data non-IIDness in large-scale FL system implementations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google