通过最小化收敛来增强FedProx算法
机器学习
2024-06-04 v1 人工智能
分布式、并行与集群计算
摘要
物联网经历了显著增长，已成为各行各业不可或缺的一部分。这种扩张催生了工业物联网计划，各行业利用物联网技术通过数据分析和云计算等创新解决方案来增强通信和连接。然而，物联网的广泛普及要求算法在相同训练环境下提供更高效率，而不牺牲速度。在本文中，我们提出了一种名为G Federated Proximity的新方法。基于现有的FedProx技术，我们的实现引入了细微修改以提高其效率和有效性。通过利用FTL，我们提出的系统旨在借助归一化技术提高训练数据集后获得的模型的准确率，使其在实时设备和异构网络上表现更好。我们的结果表明，与现有模型性能相比，吞吐量显著提升，收敛性改善约90%。
引用
@article{arxiv.2406.00748,
title = {Augmenting the FedProx Algorithm by Minimizing Convergence},
author = {Anomitra Sarkar and Lavanya Vajpayee},
journal= {arXiv preprint arXiv:2406.00748},
year = {2024}
}