面向非IID数据的长期客户端选择：基于诚实拍卖的联邦学习
机器学习
2025-08-14 v1 人工智能
系统与控制
系统与控制
摘要
联邦学习（FL）提供了一个去中心化的框架，使通过移动节点（如智能车辆）的协作努力实现普遍模型训练成为可能。在IoV情境下，每个智能车辆作为移动客户端贡献过程，却不上传本地数据。该方法利用来自不同车辆的非独立且不完全相同分布（non-IID）训练数据，这些数据受各种驾驶模式和环境条件的影响，可显著影响模型收敛和准确性。虽然客户端选择可以解决非IID问题，但面临与选择指标相关的挑战。传统指标在每轮中独立评估客户端数据质量，要求在所有客户端完成本地训练后才进行客户端选择，这会导致来自未使用的训练结果的资源浪费。在IoV情境下，车辆具有有限的连接性和计算资源，客户端选择中的信息不对称风险客户端提交虚假信息，可能使选择失效。为此，我们提出一种新型基于诚实拍卖的长期客户端选择联邦学习方案（LCSFLA）。该方案在考虑能源成本的长期数据质量下最大化社会福利，并通过新的评估机制和建议的拍卖机制（需保证金要求）激励客户端参与并确保信息诚实性。我们理论上证明了建议激励机制的激励兼容性和个人合理性。实验结果在包括IoV情境数据集的各种数据集上表明，其有效缓解了非IID数据导致的性能下降。
引用
@article{arxiv.2508.09181,
title = {Long-Term Client Selection for Federated Learning with Non-IID Data: A Truthful Auction Approach},
author = {Jinghong Tan and Zhian Liu and Kun Guo and Mingxiong Zhao},
journal= {arXiv preprint arXiv:2508.09181},
year = {2025}
}