车联网中联邦学习辅助的分布式多目标客户端选择
机器学习
2024-01-09 v1 分布式、并行与集群计算
摘要
联邦学习是车联网（IoV）中一种新兴的分布式机器学习框架。在 IoV 中，数百万车辆愿意训练模型以分享其知识。保持活跃状态意味着参与者必须在固定间隔内向联邦学习服务器更新其状态并参与下一轮训练。然而，当参与车辆数量巨大时，维持活跃状态的成本非常高。在本文中，我们提出了一种分布式客户端选择方案，以降低所有参与者维持活跃状态的成本。评估值最高的客户端在其邻居中被选出。在评估器中，考虑了四个变量，包括样本数量、可用吞吐量、计算能力和本地数据集的质量。我们采用模糊逻辑作为评估器，因为不存在针对这四个变量的闭式解。大量的仿真结果表明，我们的方案在准确性上接近集中式客户端选择，并能显著降低通信开销。
引用
@article{arxiv.2401.03159,
title = {Distributed client selection with multi-objective in federated learning assisted Internet of Vehicles},
author = {Narisu Cha and Long Chang},
journal= {arXiv preprint arXiv:2401.03159},
year = {2024}
}