面向分层物联网中高性价比联邦学习的客户端引荐机制
机器学习
2023-07-20 v1 网络与互联网体系结构
摘要
联邦学习(FL)通过在资源受限的客户端以分布式方式本地训练参数来解决数据隐私问题的范式已引起广泛关注。然而,当 FL 服务器覆盖范围内的并非所有客户端都已在 FL 网络中注册时,FL 并不适用。为弥补这一缺口,本文提出联合客户端引荐辅助的联邦客户端选择(LRef-FedCS),以及通信与计算资源调度和本地模型精度优化(LMAO)方法。这些方法旨在最小化最坏情况参与者所产生的成本,并确保分层物联网(HieIoT)网络中 FL 的长期公平性。利用李雅普诺夫优化技术,我们将原问题重构为逐步联合优化问题(JOP)。随后,为处理混合整数非凸 JOP,我们分别通过集中式方法和自适应全局最优和声搜索(SGHS)算法迭代求解 LRef-FedCS 与 LMAO。为增强可扩展性,我们进一步提出基于匹配博弈的分布式 LRef-FedCS 方法以替代上述集中式方法。在 MNIST/CIFAR-10 数据集上的数值仿真与实验结果表明,我们所提出的 LRef-FedCS 方法能够在追求高全局精度与降低成本之间实现良好平衡。
引用
@article{arxiv.2307.09977,
title = {Learner Referral for Cost-Effective Federated Learning Over Hierarchical IoT Networks},
author = {Yulan Gao and Ziqiang Ye and Yue Xiao and Wei Xiang},
journal= {arXiv preprint arXiv:2307.09977},
year = {2023}
}