핵심 개념
클러스터링된 페더레이티드 러닝과 NOMA의 통합의 이점과 이를 통한 성능 향상에 대한 연구
초록
이 연구는 클러스터링된 페더레이티드 러닝과 NOMA를 결합하여 성능을 향상시키는 이점을 탐구합니다. 논문에서는 비독립적이고 동일하게 분포되지 않은 데이터셋에서의 이론적 분석, 데이터 분포의 일반화 갭, 비독립적 데이터셋으로 인한 도전에 대한 해결책, 사용자 데이터 분포의 파라미터화, 스펙트럴 클러스터링을 통한 그룹화, 서브채널 할당을 위한 일치 기반 알고리즘, 전력 할당 등에 대해 다룹니다. 제안된 클러스터 기반 FL 프레임워크가 테스트 정확도와 수렴 속도 측면에서 FL 기준선을 능가할 수 있음을 시뮬레이션 결과가 보여줍니다.
통계
여러 장치가 시간 제한과 유한한 서브채널 수로 집계에 참여하는 비독립적이고 동일하게 분포되지 않은 데이터셋에서 일반화 갭을 분석합니다.
사용자 데이터 분포를 집중 매개변수로 매개변수화하고 스펙트럴 클러스터링을 사용하여 그룹화합니다.
전력 할당은 Karush-Kuhn-Tucker (KKT) 조건을 사용하여 파생된 닫힌 형태의 솔루션으로 달성됩니다.
인용구
"제안된 클러스터 기반 FL 프레임워크가 FL 기준선을 테스트 정확도와 수렴 속도 측면에서 능가할 수 있음을 시뮬레이션 결과가 보여줍니다."
"NOMA를 사용한 서브채널 및 전력 할당을 최적화하면 성능이 크게 향상될 수 있습니다."