面向移动社交网络的分层联邦学习
机器学习
2025-09-24 v2
摘要
联邦学习（FL）提供了一种去中心化的解决方案，允许协作式本地模型训练和全局聚合，从而保护数据隐私。在传统的联邦学习框架中，数据隐私通常是在假设本地数据绝对私有的前提下得到保护的，而客户端的移动性在显式建模中经常被忽略。在本文中，我们提出了一种基于移动社交网络的分层联邦学习框架，即 HFL-SNM，该框架同时考虑了客户端之间的数据共享及其移动模式。在资源有限的约束下，我们构建了一个资源分配和客户端调度的联合优化问题，其目标是最小化联邦学习过程中客户端的能量消耗。在社交网络中，我们引入了有效数据覆盖率（Effective Data Coverage Rate）和冗余数据覆盖率（Redundant Data Coverage Rate）的概念。我们通过初步实验分析了有效数据和冗余数据对模型性能的影响。我们将优化问题解耦为多个子问题，基于初步实验结果对其进行分析，并提出了移动社交网络中的动态优化（DO-SNM）算法。实验结果表明，与传统基线算法相比，我们的算法在显著降低能量消耗的同时，实现了更优的模型性能。
引用
@article{arxiv.2509.14938,
title = {Hierarchical Federated Learning for Social Network with Mobility},
author = {Zeyu Chen and Wen Chen and Jun Li and Qingqing Wu and Ming Ding and Xuefeng Han and Xiumei Deng and Liwei Wang},
journal= {arXiv preprint arXiv:2509.14938},
year = {2025}
}