Core Concepts
資源制約型ヘテロジニアス無線デバイスにおいて、サーバ側の計算リソースと端末側の計算・通信リソースを最適に割り当てることで、フェデレーション学習の効率を大幅に向上させる。
Abstract
本論文では、効率的なスプリットフェデレーション学習(ESFL)アルゴリズムを提案している。ESFLは、リソース制約型のヘテロジニアス端末デバイス(ED)を対象に、サーバ側の計算リソースと端末側の計算・通信リソースの割り当てを最適化することで、フェデレーション学習の効率を大幅に向上させる。
具体的には以下の手順で行う:
サーバとEDの間でモデルを分割し、EDの計算負荷とサーバの計算リソース割り当てを最適化する。
モデル分割とリソース割り当ての最適化問題を混合整数非線形計画問題として定式化し、反復的な最適化アルゴリズムを開発する。
従来のフェデレーション学習、スプリット学習、スプリットフェデレーション学習と比較し、ESFLの大幅な学習効率の向上を示す。
Stats
提案手法ESFLは、従来手法と比べて大幅に学習時間を短縮できる。
例えば、通信リソースが制限された環境(RP)では、ESFLはフェデレーション学習(FL)に比べて総学習時間を約45%短縮できる。
また、計算リソースが制限された環境(PR)では、ESFLはスプリットフェデレーション学習(SFL)に比べて総学習時間を約53%短縮できる。
Quotes
"資源制約型ヘテロジニアス無線デバイスにおいて、サーバ側の計算リソースと端末側の計算・通信リソースを最適に割り当てることで、フェデレーション学習の効率を大幅に向上させる。"
"モデル分割とリソース割り当ての最適化問題を混合整数非線形計画問題として定式化し、反復的な最適化アルゴリズムを開発する。"
"提案手法ESFLは、従来手法と比べて大幅に学習時間を短縮できる。"