面向联邦学习的模型CBOR序列化
网络与互联网体系结构
2024-01-26 v1
摘要
典型的联邦学习工作流程要求中央服务器与大量客户端之间进行通信，以同步模型参数。当前的框架使用的通信协议不适合资源受限的设备，并且要么难以部署，要么需要这些设备上不可用的高吞吐量链路。在本文中，我们提出了一个使用CBOR进行通信的通用消息框架，该框架可与现有的联邦学习框架配合使用，并针对资源受限设备以及低功耗有损网络链路进行了优化。我们对照JSON序列化消息评估了生成的消息大小，比较了在最优和最差序列化长度下的模型参数，以及一个真实的LeNet-5模型。我们的基准测试表明，与JSON替代方案相比，使用我们的方法，消息大小最多可减少75%。
引用
@article{arxiv.2401.14056,
title = {Model CBOR Serialization for Federated Learning},
author = {Koen Zandberg and Mayank Gulati and Gerhard Wunder and Emmanuel Baccelli},
journal= {arXiv preprint arXiv:2401.14056},
year = {2024}
}