ON-DEMAND-FL：一种动态高效的多准则联邦学习客户端部署方案
人工智能
2022-11-08 v1 分布式、并行与集群计算
机器学习
摘要
在本文中，我们提高了设备在学习过程中的可用性与集成度，以增强联邦学习（FL）模型的收敛性。为解决数据集中于一处的问题，联邦学习在去中心化数据集上保持学习能力，将隐私与技术相结合。服务器在若干轮次中合并从各数据集获得的更新权重，直至模型收敛。多数文献提出了客户端选择技术以加速收敛并提升精度。然而，现有方案均未关注按需灵活部署与选择客户端的能力，无论何时何地。由于环境极度动态，部分设备实际上无法作为FL客户端，这影响了学习数据的可用性以及现有客户端选择方案的适用性。本文通过引入On-Demand-FL（一种FL客户端部署方法）来解决上述局限，在学习过程中提供更大量与更具异质性的数据。我们利用Docker等容器化技术，使用IoT与移动设备作为志愿者构建高效环境。此外，使用Kubernetes进行编排。由于遗传算法（GA）的进化策略，我们采用其求解多目标优化问题。使用Mobile Data Challenge（MDC）数据集与Localfed框架进行的实验表明了所提方法的相关性，以及在需要时随时随地即时部署客户端、减少废弃轮次并增加可用数据的效率。
引用
@article{arxiv.2211.02906,
title = {ON-DEMAND-FL: A Dynamic and Efficient Multi-Criteria Federated Learning Client Deployment Scheme},
author = {Mario Chahoud and Hani Sami and Azzam Mourad and Safa Otoum and Hadi Otrok and Jamal Bentahar and Mohsen Guizani},
journal= {arXiv preprint arXiv:2211.02906},
year = {2022}
}