移动联邦学习网络的多层客户端选择
机器学习
2023-05-12 v1 分布式、并行与集群计算
网络与互联网体系结构
摘要
联邦学习（FL）通过在资源受限的移动设备上以分布式方式训练模型来解决数据隐私问题，已引起显著的研究关注。然而，在移动联邦学习网络（MFLNs）中优化 FL 客户端选择的问题仍然开放：其中设备不断移入和移出彼此的覆盖范围，且没有任何 FL 服务器知晓所有数据拥有者。为弥补这一差距，我们提出一种首创的、 socially-aware 联邦客户端选择（SocFedCS）方法，以最小化成本并训练高质量 FL 模型。SocFedCS 通过使数据拥有者在其本地信任网络中传播 FL 任务信息来丰富候选 FL 客户端池，即使设备正移入和移出彼此的覆盖范围。基于李雅普诺夫优化，我们首先将该时间耦合问题转化为逐步优化问题。随后，我们设计了一种基于交替最小化与自适应全局最优和声搜索的方法来求解这一混合整数优化问题。基于四个真实世界多媒体数据集、将 SocFedCS 与五种最先进方法进行比较的广泛实验表明，其平均测试精度比性能最佳的基线高 2.06%，成本低 12.24%。
引用
@article{arxiv.2305.06865,
title = {Multi-Tier Client Selection for Mobile Federated Learning Networks},
author = {Yulan Gao and Yansong Zhao and Han Yu},
journal= {arXiv preprint arXiv:2305.06865},
year = {2023}
}
备注
Accepted by IEEE International Conference on Multimedia and Expo 2023