FedCLF——面向异构车联网中联邦学习的高效参与者选择
摘要
联邦学习（Federated Learning, FL）是一种分布式机器学习技术，它通过仅共享训练好的参数而非客户端数据来保护数据隐私。这使得FL非常适合高度动态、异构且时间敏感的应用，尤其是车联网（Internet of Vehicles, IoV）网络。然而，由于高度的数据和设备异构性，FL在此类网络中面临相当大的挑战。为了应对这些挑战，我们提出了FedCLF，即带有校准损失和反馈控制的联邦学习，它在参与者选择过程中引入校准损失作为效用指标，并引入反馈控制机制来动态调整客户端的采样频率。所设想的方法 (a) 在高度异构数据情况下提升了整体模型准确率，(b) 优化了资源受限IoV网络的资源利用率，从而提高了FL过程的效率。我们使用CIFAR-10数据集，在不同数据异构性下，将FedCLF与基线模型（即FedAvg、Newt和Oort）进行了评估对比。我们的结果表明，FedCLF显著优于基线模型，在与高数据异构性相关的场景中实现了高达16%的提升，并通过降低采样频率提高了效率。
引用
@article{arxiv.2509.25233,
title = {FedCLF -- Towards Efficient Participant Selection for Federated Learning in Heterogeneous IoV Networks},
author = {Kasun Eranda Wijethilake and Adnan Mahmood and Quan Z. Sheng},
journal= {arXiv preprint arXiv:2509.25233},
year = {2025}
}
备注
Already published in ADMA 2024 on 13th December 2024 Wijethilake, K.E., Mahmood, A., Sheng, Q.Z. (2025). FedCLF - Towards Efficient Participant Selection for Federated Learning in Heterogeneous IoV Networks. In: Sheng, Q.Z., et al. Advanced Data Mining and Applications. ADMA 2024. Lecture Notes in Computer Science(), vol 15388. Springer, Singapore. https://doi.org/10.1007/978-981-96-0814-0_15