Communication Efficiency Optimization of Federated Learning for Computing and Network Convergence of 6G Networks

联邦学习通过跨参与设备协作训练全局模型，有效解决了数据隐私等问题。然而，网络拓扑和设备计算能力等因素会影响其在复杂网络环境中的训练或通信过程。具有计算可测、可感知、可分配、可调度和可管理能力的计算和网络融合（CNC）是一种新的网络架构和范式，可以有效支持联邦学习训练并提高其通信效率。通过基于业务需求、资源负载、网络条件和设备算力指导参与设备的联邦学习训练，CNC可以实现这一目标。本文研究了6G网络的计算和网络融合下联邦学习的通信效率优化，通过针对不同网络条件和参与设备的算力给出训练过程的决策方法，以提高其通信效率。实验涉及两种设备架构，并根据算力安排设备参与训练，在传输模型参数的过程中实现通信效率的优化。结果表明，我们提出的方法可以（1）很好地应对复杂的网络情况（2）有效平衡参与设备的本地训练延迟分布（3）提高传输模型参数的通信效率（4）提高网络资源利用率。

如何通过计算和网络融合的6G网络来优化联邦学习的通信效率？

通过计算和网络融合的6G网络，根据设备的算力、业务需求、网络状况等因素指导设备参与联邦学习的训练过程，从而优化通信效率。

论文提出的方法可以应对复杂的网络环境，有效平衡参与设备的训练延迟，提高模型参数传输的通信效率，提高网络资源利用率。

在联邦学习领域，最近的相关研究包括：'Federated Learning for Mobile Keyboard Prediction'、'Federated Learning on Non-IID Data Silos: An Experimental Study'等。