异构空天网络中的联邦学习模型聚合
机器学习
2024-04-18 v3 人工智能
分布式、并行与集群计算
摘要
在空天网络(ASNs)的网络与数据隐私约束下，联邦学习利用来自无人机、气球与卫星的大规模私有边缘数据，提供了一种有前景的方法。现有研究已广泛探讨学习过程、计算效率与通信开销的优化。一个重要却常被忽视的方面是，参与者贡献的预测知识具有不同程度的知识多样性，影响所学联邦模型的质量。在本文中，我们提出一种新方法解决该问题，引入加权平均与客户端选择(WeiAvgCS)框架，其强调来自高多样性客户端的更新，并削弱来自低多样性客户端的影响。直接共享数据分布可能因从客户端发送额外私有信息而不可行。因此，我们引入一种基于投影的方法估计多样性。我们进行了大量实验以展示WeiAvgCS的有效性。在我们的实验中，WeiAvgCS在FashionMNIST上平均比基准快46%收敛，在CIFAR10上快38%。
引用
@article{arxiv.2305.16351,
title = {Federated Learning Model Aggregation in Heterogenous Aerial and Space Networks},
author = {Fan Dong and Ali Abbasi and Henry Leung and Xin Wang and Jiayu Zhou and Steve Drew},
journal= {arXiv preprint arXiv:2305.16351},
year = {2024}
}
备注
6 pages, 7 figures, accepted by IEEE ICC workshop on emerging technologies in aerial and space networks 2024