通过数据选择提升多设备联邦学习的效率
机器学习
2025-11-07 v6
摘要
ubiquitous的可穿戴和移动设备提供了访问多样化数据的途径。然而，我们设备的移动性需求自然对其计算和通信能力施加了限制。一种解决方案是在本地从无处不在的设备所捕获的数据中学习知识，而非以原始形式存储和传输数据。在本文中，我们开发了一个称为Centaur的联邦学习框架，以在边缘端纳入设备端数据选择，其允许在同一用户的受限设备与资源充足设备之间的多设备生态系统中通过基于分区的方式训练深度神经网络。我们在五种神经网络架构和六个包含图像数据及可穿戴传感器时间序列的数据集上进行了基准测试。平均而言，与基线相比，Centaur实现了约19%更高的分类准确率和约58%更低的联邦训练延迟。我们还评估了Centaur在处理不平衡非独立同分布数据、客户端参与异质性以及不同移动模式时的表现。为鼓励该领域的进一步研究，我们在 https://github.com/nokia-bell-labs/data-centric-federated-learning 发布了代码。
引用
@article{arxiv.2211.04175,
title = {Enhancing Efficiency in Multidevice Federated Learning through Data Selection},
author = {Fan Mo and Mohammad Malekzadeh and Soumyajit Chatterjee and Fahim Kawsar and Akhil Mathur},
journal= {arXiv preprint arXiv:2211.04175},
year = {2025}
}
备注
To be presented in the 10th ACM/IEEE Symposium on Edge Computing (SEC2025) [an early version (v3) has been presented at ICLR 2023 Workshop on Machine Learning for IoT: Datasets, Perception, and Understanding]