无线网络中公平感知的多服务器联邦学习任务委派
系统与控制
2024-03-15 v1 系统与控制
摘要
在快速发展的联邦学习（FL）领域，确保高效的 FL 任务委派同时激励 FL 客户端参与带来了重大挑战，尤其是在 FL 参与者覆盖范围有限的无线网络中。现有的基于契约理论的方法是在系统中仅有一个 FL 服务器的假设（即垄断市场假设）下设计的，这在实践中是不切实际的。为了解决这一局限性，我们提出了公平感知多服务器 FL 任务委派方法（FAMuS），这是一种基于契约理论和 Lyapunov 优化的新型框架，旨在共同解决无线多服务器 FL 网络（WMSFLN）面临的这些复杂问题。在给定的 WMSFLN 中，任务请求者产生多个 FL 任务，并将其委派给协调训练过程的 FL 服务器。为确保公平对待 FL 服务器，FAMuS 建立虚拟队列以跟踪其先前对 FL 任务的访问，并根据由此产生的 FL 模型性能对其进行更新。目标是最小化 WMSFLN 中的时间平均代价，同时确保所有队列保持稳定。鉴于关于 FL 客户端参与代价的信息不完全以及 WMSFLN 状态（取决于移动客户端的位置）的不可预测性，这尤其具有挑战性。基于两个真实世界数据集将 FAMuS 与五种最先进方法进行广泛比较的实验表明，与性能最佳的基线相比，它平均实现了 6.91% 更高的测试准确率、27.34% 更低的代价和 0.63% 更高的公平性。
引用
@article{arxiv.2403.09153,
title = {Fairness-Aware Multi-Server Federated Learning Task Delegation over Wireless Networks},
author = {Yulan Gao and Chao Ren and Han Yu},
journal= {arXiv preprint arXiv:2403.09153},
year = {2024}
}