移动网络中联邦学习的参与者选择综述
分布式、并行与集群计算
2022-07-11 v1 机器学习
摘要
联邦学习（FL）是一种高效的分布式机器学习范式，以隐私保护方式利用私有数据集。FL 的主要挑战在于终端设备通常具备不同的计算与通信能力，且其训练数据并非独立同分布（non-IID）。由于移动网络中通信带宽有限且此类设备可用性不稳定，每轮仅能选择一小部分终端设备（在 FL 过程中亦称参与者或客户端）。因此，采用高效的参与者选择方案以最大化 FL 性能（包括最终模型精度与训练时间）至关重要。在本文中，我们综述了 FL 的参与者选择技术。首先，我们介绍 FL 并强调参与者选择中的主要挑战。随后，我们回顾现有研究并依据其解决方案分类。最后，基于对该主题领域前沿的分析，我们给出了 FL 参与者选择的一些未来方向。
引用
@article{arxiv.2207.03681,
title = {A Survey on Participant Selection for Federated Learning in Mobile Networks},
author = {Behnaz Soltani and Venus Haghighi and Adnan Mahmood and Quan Z. Sheng and Lina Yao},
journal= {arXiv preprint arXiv:2207.03681},
year = {2022}
}