面向支持D2D的线性化联邦学习的编码矩阵计算
信息论
2023-02-27 v1 机器学习
math.IT
摘要
联邦学习（FL）是一种在分布于客户端设备上的数据上训练全局模型的流行技术。与其他分布式训练技术一样，FL易受掉队者（较慢或失效）客户端的影响。近期工作提出通过设备到设备（D2D）卸载来解决此问题，但这引入了隐私担忧。在本文中，我们提出一种用于编码矩阵计算的新型掉队者最优方法，可显著减少FL中D2D数据传输带来的通信延迟与隐私问题。此外，当所生成的数据矩阵稀疏时，我们提出的方法可大幅提升本地计算速度。数值评估证实了所提方法相对于基线方法的优越性。
引用
@article{arxiv.2302.12305,
title = {Coded Matrix Computations for D2D-enabled Linearized Federated Learning},
author = {Anindya Bijoy Das and Aditya Ramamoorthy and David J. Love and Christopher G. Brinton},
journal= {arXiv preprint arXiv:2302.12305},
year = {2023}
}
备注
arXiv admin note: text overlap with arXiv:2301.12685