一种面向智能公共交通的高效可靠异步联邦学习方案
机器学习
2022-12-27 v4 分布式、并行与集群计算
摘要
由于交通状况随时间变化，在智能公共交通中预测交通流的机器学习模型必须持续且高效地更新。联邦学习（FL）是一种分布式机器学习方案，允许公交车在不等待云端模型训练的情况下接收模型更新。然而，由于公交车在公共环境中运行，FL易受投毒或DDoS攻击。一些工作引入区块链以提升可靠性，但共识过程带来的额外延迟降低了FL效率。异步联邦学习（AFL）通过降低聚合延迟来提升效率，但因对本地模型权重不合理导致学习性能不稳定。为应对上述挑战，本文提出一种带动态缩放因子的基于区块链的异步联邦学习方案（DBAFL）。具体而言，新颖的基于委员会的区块链共识算法以最低时间代价提升可靠性。同时，所设计的动态缩放因子使AFL能为陈旧本地模型分配合理权重。在异构设备上的大量实验验证了DBAFL更优的学习性能、效率与可靠性。
引用
@article{arxiv.2208.07194,
title = {An Efficient and Reliable Asynchronous Federated Learning Scheme for Smart Public Transportation},
author = {Chenhao Xu and Youyang Qu and Tom H. Luan and Peter W. Eklund and Yong Xiang and Longxiang Gao},
journal= {arXiv preprint arXiv:2208.07194},
year = {2022}
}