面向无线网络的个性化联邦多模态学习聚合设计
信息论
2024-06-13 v1 信号处理
math.IT
摘要
联邦多模态学习（Federated Multi-Modal Learning, FMML）是一种将联邦学习中来自不同模态的信息进行整合以提升学习性能的新兴领域。本文开发了一种参数调度方案，以在考虑非独立且不完全相同分布（non-IID）数据以及模态异构性的前提下，提高个性化FMML的性能和通信效率。具体而言，利用一种基于学习的方法获取不同设备上不同模态参数的聚合系数。基于聚合系数和信道状态，对每个模态调度一部分参数上传至服务器。实验结果表明，所提出的算法能够有效提高FMML的个性化性能。
引用
@article{arxiv.2406.07915,
title = {Aggregation Design for Personalized Federated Multi-Modal Learning over Wireless Networks},
author = {Benshun Yin and Zhiyong Chen and Meixia Tao},
journal= {arXiv preprint arXiv:2406.07915},
year = {2024}
}
备注
accepted by IEEE Communications Letters