联合概率选择与功率分配的联邦学习
内容提要
该文综述无线网络中联邦学习的资源优化研究，涵盖异步联邦学习的概率客户端选择与带宽分配、Power-of-Choice客户端选择框架、数据质量感知的动态选择与多智能体强化学习、图卷积网络功率分配、用户选择与资源块分配、节能传输与计算资源迭代算法、分布鲁棒节能方法，以及联邦边缘学习的通信计算联合设计；实验均验证这些方法能提升收敛速度与精度并降低能耗。
延伸解读
客户端选择：从随机到偏差感知
文章梳理了客户端选择策略的演进：早期研究关注异步联邦学习中通过概率选择客户端和带宽分配来缓解执行阻塞，并优化收敛速度与移动能耗；随后Power-of-Choice框架量化了选择偏差对收敛速度的影响，在收敛速度与解决方案偏差之间提供灵活平衡，实验显示收敛速度可提升至多3倍、测试准确度提高10%。这表明客户端选择不仅是通信效率问题，也直接影响模型收敛质量。
资源分配：通信与计算的联合优化
在无线网络场景下，文章收录了多项资源分配研究：有的联合优化用户选择与上行资源块分配，并给出期望收敛速率的闭式表达式；有的利用图卷积网络参数化功率分配策略；还有的针对联邦边缘学习协调通信与计算设计，以最小化模型参数上传的总能耗。这些工作共同指向一个趋势：联邦学习的效率提升需要将无线资源管理与学习收敛目标联合建模，而非孤立优化。
节能与鲁棒性的双重考量
文章特别关注能耗问题：一项迭代算法在节能传输与计算资源分配中，相比传统联邦学习方法可将能耗降低高达59.5%；另一项融合确定性与概率方法的分布鲁棒节能方案，在鲁棒性和能量效率上均优于基准，实现超过基准方法3倍的能量节省。这说明节能研究正从确定性优化扩展到对不确定性的鲁棒处理，为实际无线环境中的部署提供了更可靠的参考。
数据质量与动态选择的强化学习路径
针对多联合学习服务场景，文章提到一项基于数据质量感知的动态客户端选择研究，采用多智能体混合深度强化学习算法优化客户端选择和付款行为，并避免行动冲突，模拟结果表明训练性能显著提高。这提示读者：客户端选择不仅取决于通信条件，数据质量也是关键维度，而多智能体强化学习为动态、多服务并存的复杂环境提供了一种可行的决策框架。
Q&A
异步联邦学习中如何解决执行阻塞问题并优化收敛速度和能耗？
提出利用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。
Power-of-Choice客户端选择框架有什么作用和优势？
Power-of-Choice是一个通信和计算效率高的客户端选择框架，能够在收敛速度和解决方案偏差之间灵活平衡。实验证明使用该策略收敛速度可提高至多3倍，测试准确度可提高10%，相比随机选择基线有明显提高。
无线网络中如何基于数据质量进行动态客户端选择？
针对无线网络中多个联合学习服务，探究基于数据质量感知的动态客户端选择问题，提出多智能体混合深度强化学习算法以优化客户端选择和付款行为，同时避免行动冲突，模拟结果表明该算法显著提高了训练性能。
如何利用图卷积网络为联邦学习分配传输功率？
提出一种数据驱动方法，使用图卷积网络参数化功率分配策略，并通过primal-dual算法求解约束优化问题，从而优化FL过程中服务端接收到的信息，最终提高全局FL模型的准确性和效率。
无线联邦学习中如何联合优化用户选择和资源块分配以最小化损失函数？
研究了在现实无线网络上训练联邦学习算法的问题，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。
联邦学习中有哪些节能方法？效果如何？
包括：1）基于无线通信网络的能源有效传输和计算资源分配迭代算法，可降低能耗高达59.5%；2）融合确定性和概率方法的分布鲁棒节能方法，实现超过基准方法3倍的能量节省；3）联邦边缘学习中联合通信和计算设计优化传输协议，最小化上传模型参数的总能耗，显著提高能效。
