FLCC：基于CSMA/CA的IoMT上高效分布式联邦学习
分布式、并行与集群计算
2023-04-27 v1 机器学习
系统与控制
系统与控制
摘要
联邦学习（FL）已成为一种有前景的隐私保护方法，允许在用户与云服务器之间共享模型参数而非原始本地数据。FL方法已被采纳为分布式机器学习（ML）的基石，以解决若干复杂用例。当在分布式无线节点上实现时，FL呈现出通信与ML性能之间有趣的相互作用。网络与学习的动态均起着重要作用。在本文中，我们研究了一种可能用于通过采用CSMA/CA调度传输的自组织网络改善远程医疗系统的应用上FL的性能。我们的CSMA/CA上的FL（FLCC）模型旨在排除不可信设备，并利用频率复用和空间聚类技术来改善协调无线网络中FL分布式实现所需的吞吐量。在我们提出的模型中，频率分配基于使用虚拟单元进行的空间聚类来执行。每个单元分配一个FL服务器和专用载波频率，以在单元内交换更新后的模型参数。我们提出两个指标来评估网络性能：1）在最小化干扰的同时成功传输的概率，以及2）考虑网络动态时分布式FL模型在准确率和损失方面的性能。我们使用知名的MNIST数据集对提出的方法进行性能评估基准测试。我们证明了所提方法在明确界定所选用户标准并在鲁棒网络中实现高准确率方面优于基线FL算法。
引用
@article{arxiv.2304.13549,
title = {FLCC: Efficient Distributed Federated Learning on IoMT over CSMA/CA},
author = {Abdelaziz Salama and Syed Ali Zaidi and Des McLernon and Mohammed M. H. Qazzaz},
journal= {arXiv preprint arXiv:2304.13549},
year = {2023}
}