物联网边缘设备上联邦学习的实证研究：资源分配与异质性
机器学习
2023-06-01 v1 分布式、并行与集群计算
摘要
如今，全球数十亿部手机、物联网和边缘设备持续产生数据，催生了许多基于机器学习(ML)的产品与应用。然而，由于日益增长的隐私担忧与法规，这些数据倾向于驻留在设备（客户端）上，而非集中起来进行传统ML模型训练。联邦学习(FL)是一种分布式方法，其中单一服务器与多个客户端协作构建ML模型，而无需将数据移出客户端。尽管现有FL研究各有实验评估，多数实验在仿真环境或小规模测试床上进行，这可能限制了对现实环境中FL实现的理解。在本实证研究中，我们在一个大型物联网与边缘设备网络（称为IoT-Edge设备）上系统开展广泛实验，以呈现FL的真实世界特征，包括学习性能与运行（计算与通信）成本。此外，我们主要关注异质场景，这是FL最具挑战性的问题。通过考察设备上实现的可行性，我们的研究为研究者和从业者提供了宝贵见解，促进了FL的实用性并有助于改进当前真实FL系统的设计。
引用
@article{arxiv.2305.19831,
title = {An Empirical Study of Federated Learning on IoT-Edge Devices: Resource Allocation and Heterogeneity},
author = {Kok-Seng Wong and Manh Nguyen-Duc and Khiem Le-Huy and Long Ho-Tuan and Cuong Do-Danh and Danh Le-Phuoc},
journal= {arXiv preprint arXiv:2305.19831},
year = {2023}
}