基于 AoI 的联邦学习客户端参与平衡问题
机器学习
2025-05-09 v1 信息论
math.IT
摘要
联邦学习(FL)提供了一种在分布式客户端之间进行协作模型训练的去中心化框架，能够保持数据隐私。然而，FL 面临着由于通信资源有限、统计异构性以及需要平衡客户端参与等挑战。本文提出了一种基于信息年龄(AoI)的客户端选择策略，通过受控选择间隔来最小化负载不平衡。该方法采用去中心化马尔可夫调度策略，允许客户端基于年龄相关的选择概率独立管理参与，从而以最小的中心监控实现训练轮次之间的客户端更新平衡。我们提供了该方法的收敛性证明，证明其确保稳定且高效的模型收敛。具体而言，我们推导了马尔可夫选择模型的最优参数，以实现平衡且持续的客户端参与，突显了 AoI 在增强收敛稳定性方面的优势。通过大量仿真实验，我们展示了该 AoI-based 方法，特别是最优马尔可夫变体，在 IID 和非 IID 数据设置下相较于 FedAvg 选择方法提高了收敛速度，提升幅度为 至最多 。我们的发现凸显了 AoI-based 调度在可扩展、公平且高效的 FL 系统中发挥的重要作用。
引用
@article{arxiv.2505.05099,
title = {Balancing Client Participation in Federated Learning Using AoI},
author = {Alireza Javani and Zhiying Wang},
journal= {arXiv preprint arXiv:2505.05099},
year = {2025}
}