FedMHO：面向资源受限边缘设备的异构化 One-Shot 联邦学习
机器学习
2025-02-13 v1 人工智能
分布式、并行与集群计算
摘要
联邦学习（FL）在边缘计算场景中日益受到关注，其中大量异构客户端可能处于资源受限或资源充足的状态。传统 FL 的迭代训练过程引入了显著的计算和通信开销，对资源受限的边缘设备不够友好。One-Shot FL 作为缓解通信开销的新兴方法，模型异构 FL 解决了跨客户端计算资源差异的问题。然而，现有方法在有效管理模型异构 One-Shot FL 时面临挑战，常导致全局模型性能不佳或依赖辅助数据集。为此，我们提出一种新型 FL 框架 FedMHO，利用资源充足客户端上的深度分类模型和资源受限设备上的轻量生成模型。服务器端，FedMHO 包含数据生成和知识融合两个阶段。此外，我们引入 FedMHO-MD 和 FedMHO-SD 以缓解知识融合阶段的知识遗忘问题，以及一种无监督数据优化方案以提高合成样本的质量。全面实验表明，我们的方法在各种实验设置下均优于最先进的基线方法。
引用
@article{arxiv.2502.08518,
title = {FedMHO: Heterogeneous One-Shot Federated Learning Towards Resource-Constrained Edge Devices},
author = {Dezhong Yao and Yuexin Shi and Tongtong Liu and Zhiqiang Xu},
journal= {arXiv preprint arXiv:2502.08518},
year = {2025}
}