面向非 IID 数据的基于合成数据的层次性联邦学习中的边缘关联策略
分布式、并行与集群计算
2025-06-24 v1
摘要
近年来，联邦学习（FL）因其隐私保护特性而在分布式训练中广受欢迎，吸引了学术界和工业界的广泛关注。研究人员致力于改进联邦学习的不同方面，如算法优化、资源分配和客户端选择，以实现其在分布式边缘网络中的实际部署。FL 模型性能差的原因之一是训练期间的 worker 掉线，因为 FL 服务器可能位于 FL worker 较远的地方。为此，引入了层次性联邦学习（HFL）框架，在 FL 服务器与 worker 之间加入额外的边缘服务器作为通信中继。虽然 HFL 框架改善了 FL 服务器与 worker 之间的通信，但在数据非独立同分布（non-IID）情况下，仍可能需要大量通信轮次才能实现模型收敛。此外，FL worker 被假设为在 FL 训练过程中完全合作，这在实际情况下并不总是如此。为克服这些挑战，本文提出了一种基于合成数据的 HFL 框架，通过合成数据缓解非 IID 本地数据集带来的统计问题，同时激励 FL worker 参与。我们的方法中，边缘服务器根据 FL worker 在本地数据集和合成数据集上的计算资源需求，对 FL worker 进行奖励并决定其关联的边缘服务器。
引用
@article{arxiv.2506.18259,
title = {Edge Association Strategies for Synthetic Data Empowered Hierarchical Federated Learning with Non-IID Data},
author = {Jer Shyuan Ng and Aditya Pribadi Kalapaaking and Xiaoyu Xia and Dusit Niyato and Ibrahim Khalil and Iqbal Gondal},
journal= {arXiv preprint arXiv:2506.18259},
year = {2025}
}