Joint Optimization of Resource Allocation and Data Selection for Fast and Cost-Efficient Federated Edge Learning

在无线边缘部署联邦学习引入了联邦边缘学习（FEEL）。鉴于FEEL的通信资源有限且设备上可能存在错误标记的数据，不当的资源分配或数据选择可能会影响收敛速度并增加训练成本。因此，为了实现高效的FEEL系统，本文强调联合优化资源分配和数据选择。具体而言，在本文中，通过严格建模训练过程并推导出FEEL的一轮收敛速率的上界，我们建立了一个联合资源分配和数据选择的问题，但不幸的是，该问题不能直接求解。为此，我们通过变量替换等价地将原始问题转化为可解决的形式，然后将其分为两个子问题，即资源分配问题和数据选择问题。这两个子问题分别是混合整数非凸问题和整数非凸问题，实现它们的最优解是一个具有挑战性的任务。基于匹配理论，并应用凸凹过程和梯度投影方法，我们为这两个子问题分别设计了一个低复杂度的次优算法。最后，我们通过数值结果验证了我们提出的联合资源分配和数据选择方案的优越性。

本文旨在实现一个高效的联邦边缘学习系统，重点在于联合优化资源分配和数据选择，以解决FEEL（联邦边缘学习）中通信资源有限和可能存在误标记数据的问题。

通过对训练过程进行严格建模并导出FEEL的一轮收敛速度的上界，将原始问题转化为可解决的形式，通过变量替换将其分解为资源分配问题和数据选择问题两个子问题，并使用匹配理论和凸凹过程和梯度投影方法设计了一个低复杂度的次优算法。

本文的方案在资源分配和数据选择方面进行联合优化，在数值结果上验证了该方案的优越性。

最近的相关研究包括：《Federated Learning with Non-IID Data: A Semi-Supervised Perspective》、《Federated Learning on Heterogeneous IoT Edge Devices: An Overview》等。