面向智能家居应用中 CIoT 设备的图联邦学习
机器学习
2023-01-02 v1
摘要
本文处理跨孤岛联邦学习（FL）框架中的统计与系统异构性问题，其中智能建筑内存在数量有限的消费物联网（CIoT）设备。我们提出一种受图信号处理（GSP）启发、基于图滤波的名为“G-Fedfilt”的新型聚合规则。所提出的聚合器基于图拓扑实现结构化的信息流。该行为允许捕获 CIoT 设备的互连并训练特定领域模型。嵌入式图滤波器配备可调参数，可在领域无关与领域特定的联邦学习之间实现连续权衡。在领域无关情况下，它迫使 G-Fedfilt 表现得类似于常规联邦平均（FedAvg）聚合规则。所提出的 G-Fedfilt 还基于图连通性实现无需显式指定的内在平滑聚类，进一步提升了框架中模型的个性化。此外，所提方案享有通信高效的时间调度以缓解系统异构性。这是通过自适应调整训练数据样本量和模型梯度的稀疏度来减少通信去同步和延迟实现的。仿真结果表明，在统计异构本地数据集上关注模型个性化时，所提出的 G-Fedfilt 比常规 FedAvg 实现了高达 更好的分类精度，而在测试模型泛化能力时，它能产生比 FedAvg 高达 更高的精度。
引用
@article{arxiv.2212.14395,
title = {Graph Federated Learning for CIoT Devices in Smart Home Applications},
author = {Arash Rasti-Meymandi and Seyed Mohammad Sheikholeslami and Jamshid Abouei and Konstantinos N. Plataniotis},
journal= {arXiv preprint arXiv:2212.14395},
year = {2023}
}
备注
The GitHub code: https://github.com/FL-HAR/Graph-Federated-Learning-for-CIoT-Devices.git, Published in IEEE Internet of Things Journal