解决联邦边缘学习参与困境:一个真实且与相关的视角
网络与互联网体系结构
2022-03-24 v1
摘要
一种新兴的计算范式,称为联邦边缘学习(FEL),在网络边缘实现智能计算,并具有保护边缘设备数据隐私的特性。鉴于其资源受限,实现FEL的高执行性能成为一大挑战。大多数现有研究集中于从系统操作流程的角度增强FEL,在FEL系统组成阶段很少采取预防措施。尽管近期少数研究认识到FEL形成的重要性并提出了以服务器为中心的设备选择方案,但数据规模的影响在很大程度上被忽视。在本文中,我们利用博弈论刻画边缘设备在其本地数据集规模异构的情况下,关于是否参与FEL的决策困境。为实现个体与全局的优化,采用服务器来解决参与困境,这需要准确收集设备本地数据集的信息。因此,我们利用机制设计来实现真实的信息征询。借助相关均衡,我们从全局视角推导出设备的决策策略,可实现FEL的长期稳定性与有效性。出于可扩展性考虑,我们将基础方案的计算复杂度优化至多项式级别。最后,基于真实与合成数据进行了大量实验来评估我们所提出的机制,实验结果表明了性能优势。
引用
@article{arxiv.2203.12430,
title = {Solving the Federated Edge Learning Participation Dilemma: A Truthful and Correlated Perspective},
author = {Qin Hu and Feng Li and Xukai Zou and Yinhao Xiao},
journal= {arXiv preprint arXiv:2203.12430},
year = {2022}
}