基于个性化事件触发的资源受限去中心化联邦学习

联邦学习（FL）是一种在一组边缘设备上分布式机器学习（ML）的流行技术。本文研究完全去中心化 FL，其中除设备本地训练外，还通过设备到设备（D2D）网络上的协作共识形成执行模型聚合。我们引入设备间的异步事件触发通信，以处理无法访问中心服务器的场景。为应对 FL 中固有的资源异构与统计多样性挑战，我们在每个设备定义个性化通信触发条件，将本地模型参数变化与可用本地网络资源进行权衡。我们在理论上恢复了去中心化梯度下降（DGD）方法在本文方法设定下对全局最优模型的 $O(\ln{k} / \sqrt{k})$ 收敛速率。相较于现有文献，我们在放宽图连通性与数据异构假设下为模型末次迭代提供收敛保证。为此，我们证明了在时变 D2D 图上偶发通信存在时具备 $B$-连通信息流保证。随后的数值评估表明，相较现有去中心化 FL 基线，我们的方法在收敛速度与/或通信节省上获得显著提升。