基于客户可用预算的半去中心化联合时间序列预测
机器学习
2025-09-05 v1 分布式、并行与集群计算
摘要
联合学习（FL）在物联网（IoT）场景下通过隐私考虑促进了分布式客户端的协同训练。尽管存在数据异构性，FL 客户端也可能受限于能源和可用性预算。因此，在全局模型收敛性和客户端贡献平衡性方面，有效选择参与训练的客户端至关重要。本文讨论了客户可用性对联合学习中时间序列数据的影响。我们建立了三个影响客户可用性的不同场景，并提出了 FedDeCAB—a 一种 novel、半去中心化的客户选择方法，应用概率排名的可用客户。在客户与服务器断开连接时，FedDeCAB允许从最近的邻居客户端获取部分模型参数进行联合优化，提高了离线模型的性能并减少了通信开销。基于真实世界大规模出租车和船舶轨迹数据集的实验表明，FedDeCAB 在高度异构的数据分布、有限通信预算以及动态客户离线或重新连接的情况下依然有效。
引用
@article{arxiv.2509.03660,
title = {Semi-decentralized Federated Time Series Prediction with Client Availability Budgets},
author = {Yunkai Bao and Reza Safarzadeh and Xin Wang and Steve Drew},
journal= {arXiv preprint arXiv:2509.03660},
year = {2025}
}