数据异构的分层联邦学习及其移动性研究
机器学习
2023-06-21 v1
摘要
联邦学习能够以隐私保护的方式在多个设备上分布式训练机器学习(ML)模型。分层联邦学习(HFL)被进一步提出以满足时延和覆盖的要求。本文考虑一种具有移动性的数据异构 HFL 场景,主要针对车载网络。我们推导了 HFL 关于移动性和数据异构性的收敛上界,并分析了移动性如何影响 HFL 的性能。虽然从通信角度看移动性被视为挑战,但我们此处目标是通过缓解数据异构性来利用移动性提升学习性能。仿真结果验证了分析,并表明在使用 HFL 于 CIFAR-10 数据集上训练卷积神经网络时,移动性确实可将模型准确率提升多达 15.1%。
引用
@article{arxiv.2306.10692,
title = {Data-Heterogeneous Hierarchical Federated Learning with Mobility},
author = {Tan Chen and Jintao Yan and Yuxuan Sun and Sheng Zhou and Deniz Gunduz and Zhisheng Niu},
journal= {arXiv preprint arXiv:2306.10692},
year = {2023}
}