联邦学习系统中基于权重驱动联盟动态的高效协作
机器学习
2024-01-24 v1 分布式、并行与集群计算
计算机科学与博弈论
摘要
在物联网时代，去中心化的机器学习范式正日益受到重视。本文引入了一种联邦学习模型，该模型利用设备模型权重之间的欧氏距离来评估它们的相似性与差异性。这是我们系统的基础，它根据设备模型权重的接近程度来指导设备间联盟的形成。此外，重心的概念代表了模型权重的平均值，有助于聚合来自多个设备的更新。我们在同质和异质数据分布下评估了该方法，并将其与传统联邦学习平均算法进行了比较。数值结果表明，该方法在为基于物联网的机器学习提供结构化、性能更优且通信高效的模型方面具有潜力。
引用
@article{arxiv.2401.12356,
title = {Efficient Collaborations through Weight-Driven Coalition Dynamics in Federated Learning Systems},
author = {Mohammed El Hanjri and Hamza Reguieg and Adil Attiaoui and Amine Abouaomar and Abdellatif Kobbane and Mohamed El Kamili},
journal= {arXiv preprint arXiv:2401.12356},
year = {2024}
}
备注
6 pages, 4 figures, conference