联邦学习中基于时分多址接入的用户调度策略

摘要

为了提高联邦学习的通信效率,针对用户计算能力和信道状态异构的场景,提出了一类基于时分多址接入的用户调度策略,在满足给定单轮模型训练所需计算的样本数量约束下,最小化单轮模型更新的系统时延.理论分析了该调度策略的预期收敛速度,探究收敛性能与系统总时延的均衡关系,并进一步分析最优批大小的选择问题.仿真结果显示,所提算法与基准算法相比,模型收敛速率提升30％以上.