风险感知的异构客户加速无线联邦学习
内容提要
该文综述无线联邦学习的研究进展，涵盖异步联邦学习的概率客户端选择与带宽分配优化、数据异构下的调度与资源分配及本地训练轮数优化、以用户为中心的个性化聚合规则、全局与个性化模型分离以剪枝并降低约50%计算通信延迟、联合用户选择与资源块分配以最小化损失、网络设计与资源编排提升可扩展性、收敛速率与能耗平衡、LESSON按频率选择客户端加速收敛，以及基于区块链的安全框架防御中毒与成员推断攻击。
延伸解读
异步联邦学习的资源优化思路
文章指出异步联邦学习存在执行阻塞问题，并提出通过概率选择客户端和带宽分配来优化收敛速度与移动能耗。这一思路将客户端选择与无线资源分配结合，为异步场景下的效率提升提供了具体方法，实验也验证了其优越性。
数据异构下的联合调度与训练轮数优化
针对数据异构性与无线资源分配结合的问题，文章提出同时优化客户端调度、资源分配和本地训练轮数。实验表明该算法在学习准确性和能量消耗方面具有优势，说明在异构环境中需综合考虑多个因素才能实现有效优化。
个性化聚合与模型分离的加速效果
文章设计了以用户为中心的聚合规则，为每个客户端生成个性化模型，并得出通信高效的变体。另一框架将模型分为全局和个性化部分，实现剪枝和个性化，实验显示相比仅个性化方案能减少约50%的计算和通信延迟。
安全框架与可扩展性设计
文章提出基于区块链的安全联邦学习框架，通过智能合约自动执行防御策略，识别恶意参与者，并采用本地差分私有化技术防止中毒和成员推断攻击。此外，还从网络设计和资源编排角度讨论了可扩展性挑战与解决方案。
Q&A
无线联邦学习中如何解决异步模式下的执行阻塞问题？
通过概率选择客户端和带宽分配来优化异步联邦学习的收敛速度和移动能源消耗，并通过实验验证了该方法的优越性。
针对数据异构性的无线联邦学习，有哪些调度和资源分配方法？
提出性能分析与优化的方法，在考虑数据异构性的同时，优化客户端调度、资源分配和本地训练轮数，实验验证了该算法在学习准确性和能量消耗方面的优势。
如何为联邦学习客户端生成个性化模型并降低通信开销？
设计了以用户为中心的聚合规则，基于可用的梯度信息为每个客户端生成个性化模型，并得出一种通信高效的变体，其平均正确性、最差节点性能和训练通信开销优于流行的个性化联邦学习基线。
如何通过分离全局和个性化模型来减少计算和通信延迟？
将学习模型分为全局部分和个性化部分，实现模型剪枝和个性化，提出解决异构设备数据、计算和通信延迟以及非独立同分布数据的联邦学习框架，通过数学分析研究收敛性、计算和通信延迟，并得到剪枝比例和无线资源分配的闭式解。实验表明，相比只进行模型个性化的方案，该框架能显著减少约50%的计算和通信延迟。
在现实无线网络中训练联邦学习算法时，如何联合优化用户选择和资源分配？
提出联合学习、无线资源分配和用户选择的优化问题，获得期望收敛速率的闭式表达式，从而实现最小化FL损失函数的最优用户选择和上行资源块分配。
LESSON方法如何加速联邦学习的收敛并避免过拟合？
LESSON通过选择不同频率上传模型的客户端来解决异质客户端设置下的延迟问题，加速收敛速度并避免模型过度拟合。模拟结果表明，LESSON的收敛速度比FedAvg和FedCS更快，模型准确性比FedCS更高。
