FedLE：面向边缘物联网网络的寿命延长式联邦学习客户端选择
机器学习
2023-02-16 v1 分布式、并行与集群计算
网络与互联网体系结构
摘要
联邦学习（FL）是一种分布式且保护隐私的学习框架，用于基于物联网（IoT）设备在边缘产生的大量数据进行预测建模。阻碍 FL 在 IoT 中广泛应用的一大挑战是 IoT 设备普遍存在的电源限制，因为电池供电客户端进行本地训练与模型更新能耗密集。客户端的低电量最终致其过早退出边缘网络，训练数据丢失危及 FL 性能，并影响其执行其他指定任务的能力。本文中，我们提出 FedLE，一种能效客户端选择框架，可延长边缘 IoT 网络的寿命。在 FedLE 中，客户端首先运行最小轮数以生成其本地模型更新。模型被部分上传至服务器，用于计算每对客户端间的相似度。针对这些客户端对执行聚类以识别具有相似模型分布者。每轮中，低电量客户端被选中概率更低，延缓其电池耗尽。实证研究表明，FedLE 在基准数据集上优于基线，且在电池功耗约束下比 FedAvg 维持更多训练轮次。
引用
@article{arxiv.2302.07305,
title = {FedLE: Federated Learning Client Selection with Lifespan Extension for Edge IoT Networks},
author = {Jiajun Wu and Steve Drew and Jiayu Zhou},
journal= {arXiv preprint arXiv:2302.07305},
year = {2023}
}
备注
6 pages, 6 figures, accepted to 2023 IEEE International Conference on Communications (ICC 2023)