面向数据异构边缘设备的加密数据共享高效联邦学习
机器学习
2025-08-04 v2
摘要
随着隐私保护日益受到重视，越来越多的模型在边缘设备上进行训练，然后通过联邦学习(Federated Learning, FL)合并到中心服务器。然而，当前的研究忽略了网络拓扑、物理距离和数据异构性对边缘设备的影响，导致延迟增加和模型性能下降。为解决这些问题，我们提出了一种在边缘设备上进行的新型联邦学习方案，称为加密数据共享联邦学习(FedEDS)。FedEDS使用客户端模型和模型的随机层来训练数据加密器。数据加密器生成加密数据并与其他客户端共享。客户端使用相应的客户端随机层和加密数据来训练和调整本地模型。FedEDS使用客户端的本地私有数据和来自其他客户端的加密共享数据来训练模型。这种方法加快了联邦学习训练的收敛速度，并减轻了数据异构性的负面影响，使其适用于需要快速收敛的边缘设备部署的应用服务。实验结果表明，FedEDS在促进模型性能方面具有有效性。
引用
@article{arxiv.2506.20644,
title = {Efficient Federated Learning with Encrypted Data Sharing for Data-Heterogeneous Edge Devices},
author = {Hangyu Li and Hongyue Wu and Guodong Fan and Zhen Zhang and Shizhan Chen and Zhiyong Feng},
journal= {arXiv preprint arXiv:2506.20644},
year = {2025}
}
备注
Accepted by ICWS 2025