面向物联网的分层联邦学习中的设备调度与分配
分布式、并行与集群计算
2024-02-06 v1 机器学习
摘要
联邦学习（FL）是面向物联网的一种极具前景的机器学习方法，但当物联网设备数量增长时，它必须解决网络拥塞问题。分层联邦学习（HFL）通过将模型聚合分配给多个边缘服务器来缓解这一问题。然而，通信开销的挑战依然存在，尤其是在所有物联网设备同时加入训练过程的场景中。为了可扩展性，实际的 HFL 方案会选择一部分物联网设备参与训练，因此产生了设备调度的概念。在这种设置中，只有被选中的物联网设备被调度参与全局训练，且每个设备被分配到一个边缘服务器。现有的 HFL 分配方法主要基于搜索机制，在寻找最优分配时存在高延迟。本文提出了一种用于设备调度的改进 K-Center 算法，并引入了一种基于深度强化学习的方法将物联网设备分配给边缘服务器。实验表明，调度 50% 的物联网设备通常足以在 HFL 中实现收敛，且具有低得多的时间延迟和能耗。在降低能耗（如在绿色 AI 中）和减少消息（以避免突发流量）是关键目标的情况下，调度 30% 的物联网设备能够在模型准确率相似的情况下大幅降低能耗和消息量。
引用
@article{arxiv.2402.02506,
title = {Device Scheduling and Assignment in Hierarchical Federated Learning for Internet of Things},
author = {Tinghao Zhang and Kwok-Yan Lam and Jun Zhao},
journal= {arXiv preprint arXiv:2402.02506},
year = {2024}
}
备注
Published in IEEE Internet of Things Journal (IoT-J)