利用深度展开网络改进联邦聚合
机器学习
2023-07-03 v1
摘要
联邦学习（FL）的性能受到参与客户端之间设备差异与统计特性的负面影响。为解决此问题，我们引入了一种基于深度展开网络（DUN）的技术，其学习自适应权重以无偏地改善异质性的不利影响。所提方法展现出令人印象深刻的准确率和质量感知聚合。此外，它评估了最佳加权归一化方法，以在聚合方法上定义更少的计算量。本研究的数值实验证明了该方法的有效性，并提供了对所学习无偏权重可解释性的见解。通过将无偏权重纳入模型，所提方法有效解决了参与客户端及FL环境异质性下的质量感知聚合问题。代码与细节见 \href{https://github.com/shanikairoshi/Improved_DUN_basedFL_Aggregation}{此处}。
引用
@article{arxiv.2306.17362,
title = {Improving Federated Aggregation with Deep Unfolding Networks},
author = {Shanika I Nanayakkara and Shiva Raj Pokhrel and Gang Li},
journal= {arXiv preprint arXiv:2306.17362},
year = {2023}
}
备注
5 pages, 3 figures and submitted to IEEE Network Letters