面向可编程网络的基于强化学习的自适应路径选择
机器学习
2025-09-24 v2
摘要
深度学习模型的快速规模化已跨越多个领域带来性能提升，但也引入了若干挑战。联邦学习（Federated Learning, FL）作为一种解决这些问题的有前景框架，使训练得以去中心化。然而，在异构且动态的客户端参与情况下，通信效率仍是联邦学习中的关键瓶颈。现有方法，如 FedAvg 和 FedProx，或包括客户端选择策略等方法，试图缓解通信成本。然而，选择训练轮次中客户端数量的问题仍然严重被忽略。我们引入智能参与者选择（Intelligent Selection of Participants, ISP），一种自适应机制，动态确定每轮的最佳客户端数量，以提升通信效率而不牺牲模型准确性。我们在包括视觉转换器、真实世界的心电图分类以及梯度压缩训练等多种设置中验证了 ISP 的有效性。我们的结果显示，在不损失最终质量的前提下，通信节省可达最高 30%。将 ISP 应用于不同的真实世界心电图分类 setup，突显了客户端数量的选择作为联邦学习的一个独立任务。
引用
@article{arxiv.2508.13803,
title = {Communication-Efficient Federated Learning with Adaptive Number of Participants},
author = {Sergey Skorik and Vladislav Dorofeev and Gleb Molodtsov and Aram Avetisyan and Dmitry Bylinkin and Daniil Medyakov and Aleksandr Beznosikov},
journal= {arXiv preprint arXiv:2508.13803},
year = {2025}
}