Core Concepts
연합 학습 사용자의 상향링크 전력을 최적으로 할당하여 에너지와 지연을 동시에 최소화하는 방법을 제안한다.
Abstract
이 논문은 연합 학습(Federated Learning, FL) 환경에서 셀-프리 대규모 MIMO(Cell-Free Massive MIMO, CFmMIMO) 네트워크의 상향링크 전력 할당 문제를 다룬다.
FL은 사용자들이 데이터를 공유하지 않고 모델을 공동으로 학습하는 분산 학습 패러다임이다. CFmMIMO는 많은 수의 분산 액세스 포인트(AP)를 통해 사용자에게 균일한 서비스 품질을 제공할 수 있어 FL에 적합한 인프라이다.
저자들은 사용자의 상향링크 전력을 최적으로 할당하여 에너지와 지연을 동시에 최소화하는 문제를 제안한다. 이를 위해 사용자 간 간섭 효과를 고려한 가중 합 최소화 문제를 정의한다. 저자들은 이 문제가 각 사용자의 전력에 대해 고유한 최솟값을 가짐을 보이고, 좌표 경사 하강법 기반의 반복적 알고리즘을 제안한다.
제안된 알고리즘은 기존의 최대 합 전송률 및 최대-최소 에너지 효율 기법과 비교하여 제한된 에너지 및 지연 예산 하에서 최대 27% 및 21%의 FL 테스트 정확도 향상을 달성한다.
Stats
사용자 j의 상향링크 에너지 Ej는 pupj * bd/Rj 이다.
사용자 j의 상향링크 지연 ℓj는 bd/Rj 이다.