基于事件触发通信的能耗优化专用DAG联邦学习
机器学习
2022-09-27 v1
摘要
专用有向无环图联邦学习(SDAGFL)是一种新的联邦学习框架，它通过有向无环图分布式账本技术(DAG-DLT)从具有相似数据分布的设备更新模型。SDAGFL在完全去中心化联邦学习中具有个性化、抵抗单点故障和投毒攻击的优势。由于这些优势，SDAGFL适用于设备通常由电池供电的物联网场景中的联邦学习。为促进SDAGFL在物联网中的应用，我们提出了一种基于事件触发通信机制的能耗优化SDAGFL，称为ESDAGFL。在ESDAGFL中，仅当新模型发生显著变化时才进行广播。我们在聚类的合成FEMNIST数据集以及来自莎士比亚和歌德作品的文本数据集上评估了ESDAGFL。实验结果表明，与SDAGFL相比，我们的方法能将能耗降低33\%，并实现与SDAGFL相同的训练精度与专门化之间的平衡。
引用
@article{arxiv.2209.12531,
title = {An Energy Optimized Specializing DAG Federated Learning based on Event Triggered Communication},
author = {Xiaofeng Xue and Haokun Mao and Qiong Li and Furong Huang},
journal= {arXiv preprint arXiv:2209.12531},
year = {2022}
}