FedAR：面向分布式移动机器人的活动与资源感知联邦学习模型
机器学习
2021-01-12 v1
摘要
智能手机、自动驾驶汽车和物联网（IoT）设备被视为分布式网络的主要数据源。由于互联网可用性的革命性突破和IoT设备能力的持续提升，人们倾向于在本地存储数据并在边缘执行计算，而非与集中式计算代理共享所有本地信息。最近提出的机器学习（ML）算法联邦学习（FL）为实现数据隐私保护、分布式学习和大规模机器学习（ML）问题中降低通信开销铺平了道路。本文提出一种通过监测客户端活动并利用可用本地计算资源的FL模型，尤其针对资源受限的IoT设备（如移动机器人）以加速学习过程。我们为每个FL客户端分配信任分数，并基于客户端活动更新。我们将分布式移动机器人视为在内存、带宽、处理器或电池寿命方面存在资源限制的FL客户端，并在真实场景中理解其资源受限行为。若客户端注入错误模型或在FL过程中反复响应缓慢，我们视其为不可信。在剔除无效和不可靠客户端后，我们对选定的FL客户端执行本地训练。为进一步缓解掉队者问题，我们通过在FL服务器上执行聚合而不长期等待特定客户端响应，实现异步FL机制。
引用
@article{arxiv.2101.03705,
title = {FedAR: Activity and Resource-Aware Federated Learning Model for Distributed Mobile Robots},
author = {Ahmed Imteaj and M. Hadi Amini},
journal= {arXiv preprint arXiv:2101.03705},
year = {2021}
}