多源到多目标去中心化联邦域适应

联邦学习（FL）中设备间的异质性通常指统计（例如非独立同分布数据分布）和资源（例如通信带宽）维度。在本文中，我们关注另一个受关注较少的重要维度：各设备间有标签与无标签数据的数量/分布差异。为利用所有数据，我们提出了一种去中心化联邦域适应方法，考虑将机器学习模型从具有高质量标签数据的设备（称为源）迁移到具有低质量或无标签数据的设备（称为目标）。我们的方法，源-目标判定与链路形成（ST-LF），在考虑机器学习模型精度与通信能效之间权衡的前提下，同时优化（i）设备到源与目标的分类以及（ii）源-目标链路形成。为获得具体目标函数，我们推导了一个可度量的泛化误差界，其考虑了源-目标假设偏差估计及数据分布间差异。所得优化问题是一类NP难问题的混合整数符号规划，我们基于连续凸近似开发了可高效求解的算法。随后对ST-LF的数值评估表明，其相较最先进的基线提升了分类精度与能效。