面向物联网的分层联邦学习方法
机器学习
2025-04-08 v2 信息论
math.IT
摘要
本文提出了一种新颖的联邦学习解决方案 QHetFed，适用于大规模物联网部署，解决了地理跨度大、通信资源受限和数据异构性等挑战。QHetFed 基于跨多个设备集的分层联邦学习，其中学习过程和学习参数考虑了必要的数据量化和数据异构性，以实现高准确率和快速收敛。与传统的分层联邦学习算法不同，所提方法将集合内迭代中的梯度聚合与集合间迭代中的模型聚合相结合。我们提供了一个全面的分析框架来评估其最优性间隙和收敛速率，并给出了在截止期限下考虑通信和计算时间的最优学习参数的闭式表达式。我们的研究结果表明，QHetFed 始终能实现高学习准确率，并显著优于其他分层算法，尤其是在数据分布异构的场景下。
引用
@article{arxiv.2403.01540,
title = {A Hierarchical Federated Learning Approach for the Internet of Things},
author = {Seyed Mohammad Azimi-Abarghouyi and Viktoria Fodor},
journal= {arXiv preprint arXiv:2403.01540},
year = {2025}
}