移动边缘中资源异构的联邦学习客户端选择
网络与互联网体系结构
2020-01-09 v2 机器学习
摘要
我们设想一种用于机器学习(ML)技术的移动边缘计算(MEC)框架，其利用分布式客户端数据与计算资源训练高性能ML模型，同时保护客户端隐私。面向这一未来目标，本工作旨在将联邦学习(FL)——一种支持隐私保护模型训练的分散式学习框架——扩展至实际蜂窝网络中与异构客户端协同工作。FL协议迭代地随机请求客户端从服务器下载可训练模型、用自身数据更新并上传更新后模型，同时要求服务器聚合多个客户端更新以进一步改进模型。尽管该协议下客户端免于披露私有数据，但当部分客户端计算资源受限（即需要更长更新时间）或处于恶劣无线信道条件（更长上传时间）时，整体训练过程会变得低效。我们的新FL协议（称为FedCS）缓解了此问题，并在基于资源状况主动管理客户端的同时高效执行FL。具体而言，FedCS求解带资源约束的客户端选择问题，使服务器能聚合尽可能多的客户端更新并加速ML模型性能提升。我们利用公开可用的大规模图像数据集在MEC环境仿真上训练深度神经网络进行了实验评估。实验结果表明，与原FL协议相比，FedCS能在显著更短的时间内完成训练过程。
引用
@article{arxiv.1804.08333,
title = {Client Selection for Federated Learning with Heterogeneous Resources in Mobile Edge},
author = {Takayuki Nishio and Ryo Yonetani},
journal= {arXiv preprint arXiv:1804.08333},
year = {2020}
}