联邦学习中的高效客户端选择
机器学习
2025-02-04 v1 人工智能
分布式、并行与集群计算
摘要
联邦学习（FL）在保留数据隐私的同时实现了去中心化的机器学习。本文提出了一种创新的客户端选择框架，将差分隐私和容错容错相结合。自适应客户端选择根据性能和系统约束调整客户端数量，并添加噪声以保护隐私。在针对网络异常检测评估的 UNSW-NB15 和 ROAD 数据集上，该方法将准确率提高了 7%，将训练时间缩短了 25%。容错容错在最小化性能权衡的同时提高了鲁棒性。
引用
@article{arxiv.2502.00036,
title = {Efficient Client Selection in Federated Learning},
author = {William Marfo and Deepak K. Tosh and Shirley V. Moore},
journal= {arXiv preprint arXiv:2502.00036},
year = {2025}
}