FedBWO：增强联邦学习中通信效率的技术
机器学习
2025-05-08 v1 人工智能
摘要
联邦学习（FL）是一种分布式机器学习（ML）设置，其中由多个客户端使用其本地数据集共同训练共享模型，同时保持数据私密。考虑到资源受限的设备，FL客户端常常面临传输能力受限的问题。旨在提高系统性能，需要减少客户端和服务器之间的通信。当前的FL策略在FL过程中传输大量数据（模型权重），需要高通信带宽。考虑到资源受限，增加客户端数量，进而增加数据（模型权重）量，可能导致瓶颈。本文引入了联邦黑蜘蛛优化（FedBWO）技术，通过仅传输性能分数而非来自客户端的本地模型权重来减少传输数据量。FedBWO采用BWO算法改进本地模型更新。 conducted实验证明，FedBWO显著提高了全局模型的性能和整个系统的通信效率。根据实验结果，FedBWO在FedAvg之上提高了全球模型准确率平均为21%，在FedGWO之上提高了12%。此外，FedBWO显著降低了与其他方法相比的通信成本。
引用
@article{arxiv.2505.04435,
title = {FedBWO: Enhancing Communication Efficiency in Federated Learning},
author = {Vahideh Hayyolalam and Öznur Özkasap},
journal= {arXiv preprint arXiv:2505.04435},
year = {2025}
}
备注
5th IEEE International Conference on Human-Machine Systems, Abu Dhabi, UAE, 26-28 May 2025