个性化联邦学习中的高效簇选择：一种多臂老虎机方法
机器学习
2023-10-31 v1 分布式、并行与集群计算
摘要
联邦学习（FL）提供了一种用于机器学习模型的去中心化训练方法，优先考虑数据隐私。然而，FL网络中因数据分布、规模和设备能力的差异而产生的固有异质性，给用户联邦带来了挑战。为此，个性化联邦学习（PFL）强调根据个体数据特征定制学习过程。在本文中，我们通过引入一种受多臂老虎机（MAB）方法启发的动态上置信界（dUCB）算法，解决了PFL中尤其是在动态网络下对用户进行聚类的复杂性。dUCB算法通过平衡探索与利用，确保新用户能够有效找到最适合其数据分布的簇。我们的算法在各种场景下进行了评估，显示了其在处理动态联邦学习场景中的有效性。
引用
@article{arxiv.2310.19069,
title = {Efficient Cluster Selection for Personalized Federated Learning: A Multi-Armed Bandit Approach},
author = {Zhou Ni and Morteza Hashemi},
journal= {arXiv preprint arXiv:2310.19069},
year = {2023}
}