FedDCT：无线网络中一种动态跨层联邦学习框架
分布式、并行与集群计算
2024-11-20 v2 人工智能
摘要
联邦学习（FL）作为一种保护隐私的机器学习范式，在不暴露本地数据的情况下跨设备训练全局模型。然而，无线网络中的资源异构性和不可避免的掉队者严重影响了 FL 训练的效率和精度。本文提出一种新颖的动态跨层联邦学习框架（FedDCT）。首先，我们设计了一种动态分层策略，根据设备的响应时间将其动态划分到不同层级，并为每一层分配特定的超时阈值，以减少单轮训练时间。然后，我们提出一种跨层设备选择算法，挑选响应迅速且有利于模型收敛的设备，以提高收敛效率和精度。实验结果表明，所提方法在无线网络下优于基线方法，收敛时间平均减少 54.7%，收敛精度平均提升 1.83%。
引用
@article{arxiv.2307.04420,
title = {FedDCT: A Dynamic Cross-Tier Federated Learning Framework in Wireless Networks},
author = {Youquan Xian and Xiaoyun Gan and Chuanjian Yao and Dongcheng Li and Peng Wang and Peng Liu and Ying Zhao},
journal= {arXiv preprint arXiv:2307.04420},
year = {2024}
}
备注
Published in WASA 2024