面向物联网异构设备的联邦学习框架
机器学习
2021-06-01 v1 分布式、并行与集群计算
网络与互联网体系结构
摘要
联邦学习（FL）因其能够在本地设备上保留数据而受到工业界与学术界的广泛关注。为了聚合本地模型的梯度以训练全局模型，现有工作要求全局模型与本地模型一致。然而，物联网（IoT）设备在计算速度与板载内存方面天然具有多样性。本文提出一种针对物联网设备异构性的 FL 框架。具体而言，本地模型由全局模型压缩得到，并利用压缩后本地模型的梯度来更新全局模型。我们进行了初步实验，表明该框架有助于物联网感知的 FL 设计。
引用
@article{arxiv.2105.14675,
title = {Towards a Federated Learning Framework for Heterogeneous Devices of Internet of Things},
author = {Huanle Zhang and Jeonghoon Kim},
journal= {arXiv preprint arXiv:2105.14675},
year = {2021}
}