移动性加速学习：车联网中分层联邦学习的收敛性分析
机器学习
2024-01-19 v1 人工智能
分布式、并行与集群计算
摘要
分层联邦学习 (HFL) 能够在多个边缘服务器和一个云边缘服务器的帮助下，以保护隐私的方式跨多个设备分布式地训练模型。在本文中，我们考虑具有高度移动性设备（主要针对车联网）的 HFL。通过收敛性分析，我们表明移动性通过融合边缘数据和洗牌边缘模型来影响收敛速度。虽然从通信角度来看移动性通常被视为一种挑战，但我们证明，在边缘数据异构的情况下，它能提高 HFL 的收敛速度，因为可以整合更多样化的数据。此外，我们证明更高的速度会导致更快的收敛，因为它加速了数据的融合。仿真结果表明，在 CIFAR-10 数据集上训练卷积神经网络时，移动性将 HFL 的模型准确率提高了高达 15.1%。
引用
@article{arxiv.2401.09656,
title = {Mobility Accelerates Learning: Convergence Analysis on Hierarchical Federated Learning in Vehicular Networks},
author = {Tan Chen and Jintao Yan and Yuxuan Sun and Sheng Zhou and Deniz Gündüz and Zhisheng Niu},
journal= {arXiv preprint arXiv:2401.09656},
year = {2024}
}
备注
Submitted to IEEE for possible publication