FedAuxHMTL：用于网络边缘流量分类的联邦辅助硬参数共享多任务学习
机器学习
2024-04-15 v1 分布式、并行与集群计算
摘要
联邦学习（FL）近期引起了广泛关注，因为它有望成为解决多种应用场景中诸多挑战的有效方案，例如网络边缘流量分类中的数据隐私问题。尽管具有公认的优势，但在训练用于基于机器学习的流量分类的单任务模型时，FL 遇到了与统计数据异构性和标注数据稀缺相关的障碍，导致学习性能受阻。为了应对这些挑战，采用带有辅助任务的硬参数共享多任务学习模型被证明是一种合适的方法。此类模型能够降低通信与计算成本，应对 FL 环境中固有的统计复杂性，并通过利用从相互关联的辅助任务中获取的知识来克服标注数据稀缺问题。本文引入了一种新的联邦辅助硬参数共享多任务学习框架，即 FedAuxHMTL。该引入的框架结合了边缘服务器与基站之间的模型参数交换，使得分布在不同区域的基站能够参与 FedAuxHMTL 过程，并提升主任务——网络边缘流量分类——的学习性能。通过实证实验验证并展示了 FedAuxHMTL 在准确率、全局总损失、通信成本、计算时间以及能耗方面相较于同类方法的有效性。
引用
@article{arxiv.2404.08028,
title = {FedAuxHMTL: Federated Auxiliary Hard-Parameter Sharing Multi-Task Learning for Network Edge Traffic Classification},
author = {Faisal Ahmed and Myungjin Lee and Suresh Subramaniam and Motoharu Matsuura and Hiroshi Hasegawa and Shih-Chun Lin},
journal= {arXiv preprint arXiv:2404.08028},
year = {2024}
}