FLAME：跨多设备环境的联邦学习
机器学习
2022-09-22 v2
摘要
联邦学习（FL）能够在保护用户设备个人隐私数据的前提下分布式训练机器学习模型。尽管我们目睹 FL 在移动感知领域（如人类活动识别（HAR））的应用日益增多，FL 尚未在多设备环境（MDE）中被研究，其中每个用户拥有多个产生数据的设备。随着移动与可穿戴设备的普及，MDE 在普适计算场景中愈发流行，因此有必要在其中研究 FL。MDE 中的 FL 以跨客户端非独立同分布（non-IID）为特征，并因用户与设备异质性的同时存在而复杂化。此外，在 MDE 的 FL 客户端上确保系统资源的高效利用仍是一项重要挑战。本文提出 FLAME，一种以用户为中心的 FL 训练方法，以应对 MDE 中的统计与系统异质性，并实现跨设备推理性能的一致性。FLAME 的特征包括：（i）利用同一用户跨设备时间对齐的以用户为中心的 FL 训练；（ii）准确率与效率感知的设备选择；（iii）面向设备的模型个性化。我们还提供了一个具有真实能耗与网络带宽剖面的 FL 评估测试床，以及一种新的基于类别的数据划分方案，将现有 HAR 数据集扩展至联邦设置。我们在三个多设备 HAR 数据集上的实验结果表明，FLAME 以 4.3–25.8% 更高的 F1 分数、1.02–2.86 倍更高的能效，以及通过公平分配 FL 工作负载实现最高 2.06 倍的达到目标准确率加速，优于各类基线。
引用
@article{arxiv.2202.08922,
title = {FLAME: Federated Learning Across Multi-device Environments},
author = {Hyunsung Cho and Akhil Mathur and Fahim Kawsar},
journal= {arXiv preprint arXiv:2202.08922},
year = {2022}
}