针对非IID数据的分层边缘网络的联邦学习个性化
机器学习
2025-04-15 v1 人工智能
分布式、并行与集群计算
摘要
在分层联邦学习 (HFL) 中容纳物联网设备与云服务器之间的边缘网络，可在不损害数据隐私的前提下提升通信效率。然而，连接到同一边缘的设备常因地理或情境相似性而共享数据，导致边缘层数据异构性在设备层异构性之上呈现不同标签子集的差异。这种层级非独立同分布 (non-IID) 特性意味着每个边缘都有其独立的优化目标，但在HFL研究中仍被忽略。因此，现有的边缘化HFL在各种层级非IID场景下表现不一。为确保在多样化边缘层非IID数据下保持稳健性能，我们提出了个人化分层边缘联邦学习方案 (PHE-FL)，该方案针对每个边缘模型在特定类别分布上的独特性进行个性化调整。我们在4种不同程度的边缘层非IID性场景下评估了PHE-FL，包括极端物联网设备层的非IID情况。为准确评估我们个性化方法的效果，我们在每个边缘服务器上部署测试集（而非云服务器），并使用平衡与不平衡测试集。大量实验表明，与现有纳入边缘网络的联邦学习方法相比，在相同训练轮数下，PHE-FL准确率可提升最高83%。此外，PHE-FL表现出更好的稳定性，其准确率波动小于基于两级（边缘与云）聚合的领先FedAvg方法。
引用
@article{arxiv.2504.08872,
title = {Personalizing Federated Learning for Hierarchical Edge Networks with Non-IID Data},
author = {Seunghyun Lee and Omid Tavallaie and Shuaijun Chen and Kanchana Thilakarathna and Suranga Seneviratne and Adel Nadjaran Toosi and Albert Y. Zomaya},
journal= {arXiv preprint arXiv:2504.08872},
year = {2025}
}