将异步 AdaBoost 集成到联邦学习：五个真实世界应用
机器学习
2025-06-12 v1
摘要
本文对增强的异步 AdaBoost 框架在联邦学习（FL）中的应用进行了全面分析，重点关注五个不同领域：边缘设备上的计算机视觉、基于区块链的模型透明度、设备端移动个性化、物联网异常检测和联邦医疗诊断。所提出的算法包含自适应通信调度和延迟权重补偿，以减少同步频率和通信开销，同时保持或提高模型准确率。我们研究了这些创新如何在每个领域改善通信效率、可扩展性、收敛性和鲁棒性。比较指标包括训练时间、通信开销、收敛迭代次数和分类准确率，使用源自 Oghlukyan 增强 AdaBoost 框架的数据和估计进行评估。实证结果表明，与基准 AdaBoost 相比，训练时间减少了约 20-35%，通信开销减少了 30-40%，并且在显著更少的提升轮次中即可实现收敛。表格和图表按领域总结了这些改进。自适应调度规则和误差驱动同步阈值的数学公式被提供。总体而言，增强的 AdaBoost 在多样化的 FL 场景中表现出显著改善的效率和鲁棒性，表明该方法具有广泛的应用前景。
引用
@article{arxiv.2506.09090,
title = {Integrating Asynchronous AdaBoost into Federated Learning: Five Real World Applications},
author = {Arthur Oghlukyan and Nuria Gomez Blas},
journal= {arXiv preprint arXiv:2506.09090},
year = {2025}
}