移动边缘计算系统中基于拍卖的聚类联邦学习
机器学习
2021-03-15 v1 人工智能
摘要
近年来,移动客户端的计算能力与存储容量大幅提升,能够高效地在本地处理部分应用。联邦学习是一种前景广阔的分布式机器学习方案,利用本地计算与本地数据训练人工智能(AI)模型。结合本地计算与联邦学习可在保障本地数据隐私的前提下训练出强大的 AI 模型,同时充分利用移动客户端资源。然而,本地数据的异构性,即非独立同分布(Non-IID)与本地数据量不均衡,可能带来阻碍联邦学习在移动边缘计算(MEC)系统中应用的瓶颈。受此启发,我们提出一种基于聚类的客户端选择方法,可生成满足全局分布的联邦虚拟数据集以抵消数据异构性的影响,并证明所提方案可收敛至近似最优解。基于该聚类方法,我们提出各簇内基于拍卖的客户端选择方案,充分考虑系统的能量异构性,并给出所提方案的纳什均衡解,以平衡能耗并提升收敛速率。仿真结果表明,在不同数据分布下,我们所提选择方法与基于拍卖的联邦学习借助卷积神经网络模型(CNN)可取得更优性能。
引用
@article{arxiv.2103.07150,
title = {Auction Based Clustered Federated Learning in Mobile Edge Computing System},
author = {Renhao Lu and Weizhe Zhang and Qiong Li and Xiaoxiong Zhong and Athanasios V. Vasilakos},
journal= {arXiv preprint arXiv:2103.07150},
year = {2021}
}