抑制建筑环境数据集中的噪声以减少联邦学习收敛的通信轮次
机器学习
2022-09-07 v1
摘要
智能感知为建筑环境中的监测与控制提供了一种更简便且便利的数据驱动机制。建筑环境中生成的数据具有隐私敏感性与有限性。联邦学习是一种新兴范式，可在不共享私有且有限数据的情况下，为多个参与者提供隐私保护型的协作模型训练。参与者数据集中的噪声标签会降低性能并增加联邦学习收敛所需的通信轮次。如此大量的通信轮次需要更多时间与能量来训练模型。在本文中，我们提出一种联邦学习方法，以抑制各参与者数据集中噪声标签的不均匀分布。该方法首先估计每个参与者数据集的噪声比，并使用服务器数据集对噪声比进行归一化。所提方法能处理服务器数据集中的偏差，并最小化其对参与者数据集的影响。接下来，我们利用归一化噪声比及每个参与者的影响力计算其最优加权贡献。我们进一步推导出估计所提方法收敛所需通信轮次的表达式。最后，实验结果表明，就通信轮次和建筑环境中达成的性能而言，所提方法相对于现有技术具有有效性。
引用
@article{arxiv.2209.01417,
title = {Suppressing Noise from Built Environment Datasets to Reduce Communication Rounds for Convergence of Federated Learning},
author = {Rahul Mishra and Hari Prabhat Gupta and Tanima Dutta and Sajal K. Das},
journal= {arXiv preprint arXiv:2209.01417},
year = {2022}
}
备注
11 pages, 5 figures