部分可见性下的联邦客户端选择：一种基于时空注意力的POMDP方法
机器学习
2026-05-13 v1
摘要
联邦学习依赖有效的客户端选择来缓解数据异质性导致的性能下降。现有方法大多假设在每轮通信中都能完全可见所有客户端。然而，在大规模或基于边缘的部署中，由于通信、移动性或可用性限制，服务器只能访问一部分客户端，导致部分可见性，即每轮通信中只有一部分客户端可被观测用于聚合。在本文中，我们将部分可见性下的联邦客户端选择形式化为一个部分可观测马尔可夫决策过程（POMDP），并提出了一种基于时空注意力的强化学习框架。通过整合历史全局模型和客户端身份嵌入，所提出的方法捕捉了训练的时间上下文和客户端的持久特征。在多个数据集上的实验结果表明，在异构和部分可见的设置下，我们的方法相比现有基线取得了优越的性能，验证了其在解决实际联邦学习系统中不完整观测挑战方面的有效性。
引用
@article{arxiv.2605.11752,
title = {Federated Client Selection under Partial Visibility: A POMDP Approach with Spatio-Temporal Attention},
author = {Qijun Hou and Yuchen Shi and Pingyi Fan and Khaled B. Letaief},
journal= {arXiv preprint arXiv:2605.11752},
year = {2026}
}