联邦学习中客户端选择的系统文献综述
机器学习
2023-06-09 v1 人工智能
摘要
随着机器学习中隐私问题的日益关注，联邦学习（FL）于 2017 年被提出，其中客户端（如移动设备）训练模型并将更新发送至中心服务器。出于不同原因，为 FL 随机选取客户端可能损害学习性能。许多研究提出了应对 FL 客户端选择挑战的方法。然而，关于该主题尚无系统文献综述（SLR）。本 SLR 调研了 FL 中客户端选择的研究现状，并回答了挑战、解决方案以及评估方案的度量。我们系统回顾了 47 篇原始研究。在客户端选择中发现的主要挑战是异构性、资源分配、通信成本与公平性。客户端选择方案旨在通过关注上述一项或多项挑战来改进原始的随机选择算法。最常用的度量是测试精度相对于通信轮数，因为测试精度衡量学习的成功程度，且偏好在尽可能少的通信轮数内完成，因其代价非常高昂。尽管当前客户端选择状态下可作出若干可能的改进，最有益的在于评估不成功客户端的影响，以及从理论上更深入理解公平性在 FL 中的影响。
引用
@article{arxiv.2306.04862,
title = {A Systematic Literature Review on Client Selection in Federated Learning},
author = {Carl Smestad and Jingyue Li},
journal= {arXiv preprint arXiv:2306.04862},
year = {2023}
}