Prophet：通过预测训练与上报阶段质量实现联邦学习的主动候选选择
机器学习
2020-05-20 v2 分布式、并行与集群计算
机器学习
摘要
尽管在 5G 网络中设备连接的挑战已大幅缓解，训练延迟仍是阻碍联邦学习（FL）大规模采用的障碍。导致高延迟的最基本问题之一是 FL 糟糕的候选选择。在动态环境中，现有反应式候选选择算法所选的移动设备极有可能无法完成 FL 的训练与上报阶段，因为 FL 参数服务器仅知晓所有候选当前观测到的资源。为此，本文研究 FL 的主动候选选择。我们首先让每个候选设备使用 LSTM 本地预测其训练与上报两阶段的质量。随后，所提候选选择算法由深度强化学习（DRL）框架实现。最后，真实轨迹驱动的实验证明所提方法优于现有反应式算法。
引用
@article{arxiv.2002.00577,
title = {Prophet: Proactive Candidate-Selection for Federated Learning by Predicting the Qualities of Training and Reporting Phases},
author = {Huawei Huang and Kangying Lin and Song Guo and Pan Zhou and Zibin Zheng},
journal= {arXiv preprint arXiv:2002.00577},
year = {2020}
}
备注
We found significant technique errors in our previous version. The proposed DRL-based algorithm cannot solve the large-scale scheduling for federated learning. For the health of relevant research communities, we decide to withdraw our submission