FedACT：跨异构数据源的并发联邦智能
机器学习
2026-05-04 v1 人工智能
分布式、并行与集群计算
摘要
联邦学习（FL）能够以保护隐私的方式，在分散的数据源设备之间实现协作智能。尽管大量研究关注于优化单个任务的学习过程，但现实世界的应用越来越需要在共享的设备池上同时训练多个机器学习任务模型。在多联邦学习系统中简单地应用单联邦学习优化技术会导致系统性能欠佳，这尤其归因于设备异构性和资源低效性。为解决这一关键开放挑战，我们提出了FedACT，这是一种新颖的资源异构性感知设备调度方法，旨在高效地跨多个并发联邦学习作业调度异构设备，目标是最小化它们的平均作业完成时间（JCT）。FedACT基于一种对齐评分机制动态地将设备分配给联邦学习作业，该机制评估设备可用资源与作业资源需求之间的兼容性。此外，它融入了参与公平性，以确保设备在各作业间的均衡贡献，从而进一步提高所学全局模型的准确度。FedACT通过优先考虑具有更高对齐评分的设备，同时确保跨作业的公平参与，来制定最优调度计划。为评估所提调度算法的有效性，我们使用多样化的联邦学习任务和基准数据集进行了全面实验。实验结果表明，与最先进的基线方法相比，FedACT将平均JCT降低了高达8.3倍，并将模型准确度提高了高达44.5%。
引用
@article{arxiv.2605.00011,
title = {FedACT: Concurrent Federated Intelligence across Heterogeneous Data Sources},
author = {Md Sirajul Islam and Isabelle G Chapman and N I Md Ashafuddula and Xu Yuan and Li Chen and Nian-Feng Tzeng and Klara Nahrstedt},
journal= {arXiv preprint arXiv:2605.00011},
year = {2026}
}