基于元胞自动机的联邦学习智能客户端选择
机器学习
2023-10-19 v2 人工智能
分布式、并行与集群计算
摘要
联邦学习（FL）已成为交通、通信和医疗等多种实际应用中增强隐私和最小化延迟的一种有前景的解决方案。FL 致力于通过利用来自数百万设备和 IoT 传感器的数据将机器学习（ML）下沉到边缘，从而实现对动态环境的快速响应并产出高度个性化的结果。然而，跨不同应用激增的传感器数量在通信与资源分配方面带来挑战，阻碍了所有设备参与联邦过程，并催生了对有效 FL 客户端选择的需求。为解决此问题，我们提出基于元胞自动机的客户端选择（CA-CS），一种新颖的客户端选择算法，其利用元胞自动机（CA）作为模型来有效捕捉快速演化环境中的时空变化。CA-CS 在客户端选择过程中考虑每个参与客户端的计算资源与通信能力，同时考虑邻居间的客户端间交互，从而实现对高度近似真实场景的数据流上在线 FL 过程的智能客户端选择。本文中，我们使用 MNIST 和 CIFAR-10 数据集对所提 CA-CS 算法进行了详尽评估，并与均匀随机客户端选择方案直接对比。结果表明，CA-CS 在达到与随机选择方法相当精度的同时，有效规避了高延迟客户端。
引用
@article{arxiv.2310.00627,
title = {Intelligent Client Selection for Federated Learning using Cellular Automata},
author = {Nikolaos Pavlidis and Vasileios Perifanis and Theodoros Panagiotis Chatzinikolaou and Georgios Ch. Sirakoulis and Pavlos S. Efraimidis},
journal= {arXiv preprint arXiv:2310.00627},
year = {2023}
}
备注
18th IEEE International Workshop on Cellular Nanoscale Networks and their Applications