面向物联网环境的多模态多重联邦特征构建方法
网络与互联网体系结构
2023-08-15 v1
摘要
物联网（IoT）设备与应用的快速发展带来了海量数据收集，其中可能包含无关、噪声或冗余特征，从而降低学习模型性能。这些收集的数据可在终端用户设备（客户端）或边缘/云服务器上处理。特征构建是一种预处理技术，可生成有判别力的特征并揭示数据集中原始特征之间的隐藏关系，从而提升性能并降低学习模型的计算复杂度。此外，在需要传输数据集以进行进一步处理的情况下，客户端与边缘/云服务器之间的通信开销可被最小化。本文提出首个联邦特征构建（FFC）方法，称为多模态多重 FFC（MMFFC），其利用多模态优化与引力搜索编程算法。这是一种在不共享客户端数据集的情况下构建多个高级特征的协作方法，以增强训练模型精度与系统总体通信开销之间的权衡，同时降低学习模型的计算复杂度。我们分析并比较了两种场景的精度-开销权衡：1) MMFFC 联邦学习（FL），在客户端使用经预处理的数据集的普通 FL；2) MMFFC 集中式学习，将预处理后的数据集传输至边缘服务器并使用集中式学习模型。第一种场景在三个数据集上、第二种场景在八个数据集上的结果表明，所提方法可将数据集规模减少约 60%，从而降低通信开销并提升在几乎所有测试数据集上学习模型的精度。
引用
@article{arxiv.2308.07131,
title = {Multimodal Multiple Federated Feature Construction Method for IoT Environments},
author = {Afsaneh Mahanipour and Hana Khamfroush},
journal= {arXiv preprint arXiv:2308.07131},
year = {2023}
}
备注
This paper has been accepted at 2023 IEEE Global Communications Conference: IoT and Sensor Networks