Multi-frame Scheduling for Federated Learning over Energy-Efficient 6G Wireless Networks
Notice bibliographique
Résumé
It is envisioned that data-driven distributed learning approaches such as federated learning (FL) will be a key enabler for 6G wireless networks. However, the deployment of FL over wireless networks suffers from considerable energy consumption on communications and computation, which is challenging to meet stringent energy-efficiency goals of future sustainable 6G networks. In this paper, we investigate the energy consumption of transmitting scheduling decisions for FL deployed over a wireless network where mobile devices upload their local model to a coordinator (6G base station) for computing a global machine learning (ML) model iteratively. We consider that the coordinators have stringent energy efficiency goals. Therefore, to reduce the energy consumption due to the deployment of FL, we propose a novel multi-frame framework for FL that enables the coordinator to schedule wireless devices in one global round by only sending scheduling decisions at the beginning of each global round and setting the coordinator’s transmission module to sleep mode to save power. In particular, we formulate a mixed-integer non-linear problem (MINLP) to minimize the average collection time of all device’s local models by considering transmission errors. Then, we provide a novel method to solve the MINLP approximately and schedule wireless devices and allocate network resources. We demonstrate that our framework can save about 15 to 20 percent in some specific settings. Simulation results also show that our proposed algorithm outperforms traditional resource allocation methods and saves about 10% battery life per hundred global rounds in mobile device coordinators under certain scenarios.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,005 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,054 | 0,065 |
| Intégrité de la recherche | 0,000 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».