基于地理位置的节点聚类与分组以确保联邦学习中的数据 IID 性
人工智能
2024-10-22 v1 网络与互联网体系结构
摘要
联邦学习（FL）是一种适用于大量设备（如智能物联网设备）的去中心化 AI 机制。联邦学习的主要挑战是数据非 IID 问题，源于 FL 参与者收集的异构数据，导致训练得到的全局模型性能下降。目前已有各种方法试图解决数据非 IID 问题，主要侧重于操控收集的数据。然而，本文提出了一种新方法，通过合理地聚类和分组移动物联网节点，利用其地理特征，以确保每个 FL 组的数据具有 IID 性。我们首先提供了根据设备间距离对物联网数据独立性和相同性特征的实证依据，然后提出动态聚类和部分稳定分组算法，在考虑设备移动性的前提下，将 FL 参与者划分为实现接近 IID 数据的分组。该机制在联合成本（即 dropout 设备数量与各组设备数均匀性）方面相较于基准分组算法至少提高了 110 倍，每组设备数的增加仅增加最多 0.93 个组。
引用
@article{arxiv.2410.15693,
title = {Geographical Node Clustering and Grouping to Guarantee Data IIDness in Federated Learning},
author = {Minkwon Lee and Hyoil Kim and Changhee Joo},
journal= {arXiv preprint arXiv:2410.15693},
year = {2024}
}
备注
10 pages, 7 figures