量化秩减: 面向网络关键应用的通信高效联邦学习方案
机器学习
2025-07-16 v1
摘要
联邦学习是一种机器学习方法，使多个设备（即智能体）能够在不交换原始数据的情况下协同训练共享模型。该技术保持数据驻留在用户设备上，确保隐私和安全性，而每个智能体都在各自的数据上训练模型，仅共享模型更新。由于智能体与中心服务器之间频繁交换模型更新，通信开销是一个重大挑战。本文提出一种通信高效的联邦学习方案，利用神经网络梯度的低秩近似和量化技术，显著减少去中心化学习过程的网络负载，同时对模型准确率影响最小。
引用
@article{arxiv.2507.11183,
title = {Quantized Rank Reduction: A Communications-Efficient Federated Learning Scheme for Network-Critical Applications},
author = {Dimitrios Kritsiolis and Constantine Kotropoulos},
journal= {arXiv preprint arXiv:2507.11183},
year = {2025}
}
备注
In Proceedings of the 2025 IARIA Annual Congress on Frontiers in Science, Technology, Services, and Applications (IARIA Congress 2025), Venice, Italy, July 6-10, 2025