用于空中联邦学习的绿色多属性客户端选择：一种灰狼优化器方法
机器学习
2024-09-19 v1 人工智能
分布式、并行与集群计算
摘要
联邦学习 (FL) 因其在不集中敏感数据的情况下训练机器学习模型的能力，已在各个行业引起关注。虽然这种方法提供了隐私保护和减少通信开销等显著优势，但也带来了一些挑战，包括部署复杂性和互操作性问题，尤其是在异构场景或资源受限的环境中。空中联邦学习 (OTA-FL) 通过无需直接设备到设备连接或中央服务器即可传播模型更新来解决这些限制。然而，OTA-FL 也带来了能耗增加和延迟等限制。在本文中，我们提出了一种基于灰狼优化器 (GWO) 的多属性客户端选择框架，以策略性地控制每轮参与者的数量，并在考虑准确性、能量、延迟、可靠性和公平性约束的情况下优化 OTA-FL 过程。我们评估了我们的多属性客户端选择方法在模型损失最小化、收敛时间减少和能效方面的性能。在我们的实验评估中，我们评估并比较了我们的方法与现有最先进方法的性能。我们的结果表明，所提出的基于 GWO 的客户端选择方法在各种指标上均优于这些基线方法。具体来说，我们的方法显著降低了模型损失，加快了收敛速度，并提高了能效，同时保持了高公平性和可靠性指标。
引用
@article{arxiv.2409.11442,
title = {A Green Multi-Attribute Client Selection for Over-The-Air Federated Learning: A Grey-Wolf-Optimizer Approach},
author = {Maryam Ben Driss and Essaid Sabir and Halima Elbiaze and Abdoulaye Baniré Diallo and Mohamed Sadik},
journal= {arXiv preprint arXiv:2409.11442},
year = {2024}
}