勾配符号をモジュラスより優先する: 無線連邦学習のための重要度認識フレームワーク

要旨: 無線連邦学習（FL）は、無線エッジで普遍的な知能アプリケーションを支えるAIモデルの協調的訓練を促進します。しかし、限られた無線リソースという本質的制約は、通信の信頼性を低下させ、無線FLに重大な課題をもたらします。この課題を克服するために、重要な勾配情報の送信を不均等なリソース配分を通じて優先する新しいフレームワーク、Sign-Prioritized FL（SP-FL）を提案します。具体的には、モデル更新における降下方向の重要性を認識し、個々のパケットで勾配符号を伝送し、残りの勾配の大きさが正しく回復できない場合には勾配降下のためにそれらを再利用できるようにします。さらに重要な情報の伝送の信頼性を高めるために、パケットレベルとデバイスレベルの両方で重要性の差に基づく階層的なリソース割り当て問題を定式化し、複数デバイスにまたがる帯域幅配分と符号パケットとモジュラスパケット間の電力割り当てを最適化します。問題を扱いやすくするために、SP-FL の1ステップ収束挙動を解析し、データの重要性を両レベルで明示的な形で特徴づけます。次に、この問題を解くために、ニュートン‐ラフソン法と逐次凸近似（SCA）を用いた交互最適化アルゴリズムを提案します。シミュレーション結果は、特にリソース制約下のシナリオにおいて SP-FL の優位性を確認し、CIFAR-10 データセットに対して既存の方法と比較して最大で 9.96 ポイント高いテスト精度を示します。