基于 MMD 的联邦学习早停策略用于自适应 GNSS 干扰分类
机器学习
2024-12-31 v2 分布式、并行与集群计算
摘要
联邦学习（FL）使多个设备能够在保持数据本地的同时协同训练全局模型。每个设备在其本地服务器上训练模型，并在聚合步骤中仅共享模型更新（即梯度权重）。FL 的一个重要挑战是管理来自不同设备上新型和不平衡数据的特征分布。在本文中，我们提出了一种采用少样本学习和在全局服务器上聚合模型权重的 FL 方法。我们引入一种动态早停方法，通过表示学习来平衡分布不均的类别，具体利用特征嵌入在局部模型和全局模型之间的最大均值差异（MMD）。联邦学习的一个典型应用是沿公路协调机器学习模型，用于基于全球导航卫星系统（GNSS）接收器快照的干扰分类。针对来自两条真实公路和受控环境的四个 GNSS 数据集进行大量实验，表明我们的 FL 方法在适应新型干扰类别和多路径场景方面优于最先进的技术。
引用
@article{arxiv.2410.15681,
title = {Federated Learning with MMD-based Early Stopping for Adaptive GNSS Interference Classification},
author = {Nishant S. Gaikwad and Lucas Heublein and Nisha L. Raichur and Tobias Feigl and Christopher Mutschler and Felix Ott},
journal= {arXiv preprint arXiv:2410.15681},
year = {2024}
}
备注
Git repository: https://gitlab.cc-asp.fraunhofer.de/darcy_gnss/federated_learning