CoCo-Fed: A Unified Framework for Memory- and Communication-Efficient Federated Learning at the Wireless Edge

작성자

Haebom

카테고리

Empty

저자

Zhiheng Guo, Zhaoyang Liu, Zihan Cen, Chenyuan Feng, Xinghua Sun, Xiang Chen, Tony Q. S. Quek, Xijun Wang

💡 개요

본 논문은 무선 엣지 환경에서 메모리 및 통신 효율성을 극대화하는 연합 학습 프레임워크인 CoCo-Fed를 제안합니다. CoCo-Fed는 로컬 훈련 시 gNB의 메모리 제약을 극복하고, 글로벌 모델 업데이트 시 대역폭 제한이 있는 백홀 링크의 통신 부하를 줄이는 것을 목표로 합니다. 제안된 방법론은 로컬에서는 그래디언트의 이중 차원 다운-프로젝션과 저랭크 구조에 적합한 옵티마이저를 사용하며, 글로벌에서는 직교 부분 공간 중첩 기반 전송 프로토콜을 통해 개별 gNB별로 모든 레이어의 업데이트를 하나의 행렬로 압축하여 전송함으로써 통신 효율성을 높입니다.

🔑 시사점 및 한계

•

엣지 환경에서 자원 제약이 심한 gNB의 메모리 부담을 획기적으로 줄이면서도 연합 학습을 가능하게 합니다.

•

글로벌 모델 통합 시 백홀 통신량을 대폭 감소시켜 대규모 엣지 AI 배포의 확장성을 높입니다.

•

비지도 학습 조건에서도 강력한 수렴성을 보이며, 무선 감지 태스크 등 다양한 엣지 AI 응용에 적용될 수 있습니다.

•

제안된 프레임워크의 성능이 비 IID(Non-IID) 설정에서도 견고함을 보여주지만, 실제 무선 환경에서의 구현 복잡성 및 추가적인 실험적 검증이 필요할 수 있습니다.

PDF 보기

Made with Slashpage