分布感知的移动性辅助的去中心化联邦学习

去中心化联邦学习（DFL）因其可扩展性和独立于中心服务器的特性而引起广泛关注。实际情况下，一些参与客户端可以是移动的，然而用户移动对DFL性能的影响仍基本未被探讨，尽管其可能促进通信和模型收敛。本文演示了即使引入少量移动客户端，即使具有随机运动，也能显著提高DFL的准确性，通过促进信息流动。为进一步提升性能，我们提出了新颖的分布感知移动性模式，其中移动客户端 strategically 浏览网络，利用数据分布和静态客户端位置的知识。所提出的移动策略缓解了数据异构性的影响，并提升学习收敛性。广泛的实验验证了引起运动在DFL中的有效性，并表明我们提出的移动模式优于随机运动。