FedMint：面向含新接入物联网设备的联邦学习智能双边客户端选择
机器学习
2022-11-04 v1 密码学与安全
分布式、并行与集群计算
计算机科学与博弈论
摘要
联邦学习（FL）是一种新颖的分布式隐私保护学习范式，它使多个参与者（如物联网设备）能够协作训练机器学习模型。然而，选择有助于此协作训练的参与者极具挑战性。由于各参与者在数据质量、计算与通信资源方面的异质性，采用随机选择策略会引发大量问题。尽管文献中已提出若干方法来克服随机选择问题，但大多数方法遵循单边选择策略。实际上，它们仅基于联邦服务器端制定选择策略，而忽视了过程中客户端设备的利益。为克服该问题，本文提出 FedMint，一种利用博弈论与引导机制、面向物联网设备联邦学习的智能客户端选择方法。我们的方案包括：（1）为客户端物联网设备与联邦服务器设计偏好函数，使其可根据准确率与价格等因素相互排序；（2）在设计中考量双方偏好的智能匹配算法；（3）利用多个联邦服务器协作、为新接入物联网设备赋予初始准确率值的引导技术。根据仿真结果，我们的策略在最大化客户端设备收益与全局联邦学习模型准确率方面均优于 VanillaFL 选择方法。
引用
@article{arxiv.2211.01805,
title = {FedMint: Intelligent Bilateral Client Selection in Federated Learning with Newcomer IoT Devices},
author = {Osama Wehbi and Sarhad Arisdakessian and Omar Abdel Wahab and Hadi Otrok and Safa Otoum and Azzam Mourad and Mohsen Guizani},
journal= {arXiv preprint arXiv:2211.01805},
year = {2022}
}