AdaptiveFL：面向资源受限 AIoT 系统的自适应异构联邦学习
机器学习
2024-04-10 v2 分布式、并行与集群计算
摘要
尽管联邦学习（FL）有望实现人工智能物联网（AIoT）设备间的协作学习，但由于设备各种异构因素（如计算能力、内存大小）及不确定运行环境，其面临分类性能低下的问题。为解决这些问题，本文提出一种基于新颖细粒度宽度方向模型剪枝策略的有效 FL 方法，称为 AdaptiveFL，该方法可为异构 AIoT 设备生成多种异构本地模型。通过使用我们提出的基于强化学习的设备选择机制，AdaptiveFL 能够根据可用资源自适应地为相应 AIoT 设备即时分发合适的异构模型以进行本地训练。实验结果表明，与最先进的方法相比，AdaptiveFL 在 IID 和非 IID 场景下均可实现高达 16.83% 的推理性能提升。
引用
@article{arxiv.2311.13166,
title = {AdaptiveFL: Adaptive Heterogeneous Federated Learning for Resource-Constrained AIoT Systems},
author = {Chentao Jia and Ming Hu and Zekai Chen and Yanxin Yang and Xiaofei Xie and Yang Liu and Mingsong Chen},
journal= {arXiv preprint arXiv:2311.13166},
year = {2024}
}
备注
This paper has been accepted by DAC2024