一种用于联邦学习高效客户端选择的多智能体强化学习方法
机器学习
2022-01-11 v1 人工智能
摘要
联邦学习(FL)是一种训练技术，使客户端设备能够在不暴露原始数据的情况下，通过聚合本地计算的模型来联合学习一个共享模型。虽然现有工作大多聚焦于提升FL模型精度，本文中我们关注训练效率的提升，而这往往是FL在真实应用中采用的障碍。具体而言，我们设计了一个高效的FL框架，联合优化模型精度、处理延迟与通信效率，这三者都是FL实际部署的主要设计考量。受近期多智能体强化学习(MARL)在解决复杂控制问题上的成功启发，我们提出FedMarl，一个基于MARL的FL框架，用于高效的运行时客户端选择。实验表明，FedMarl能以低得多的处理延迟与通信代价显著提升模型精度。
引用
@article{arxiv.2201.02932,
title = {A Multi-agent Reinforcement Learning Approach for Efficient Client Selection in Federated Learning},
author = {Sai Qian Zhang and Jieyu Lin and Qi Zhang},
journal= {arXiv preprint arXiv:2201.02932},
year = {2022}
}
备注
To be appeared at AAAI, 2022