面向异构边缘/雾网络的协作式联邦学习
分布式、并行与集群计算
2023-03-16 v1 机器学习
网络与互联网体系结构
系统与控制
系统与控制
摘要
联邦学习(FL)已被推广为在边缘/雾网络上训练机器学习(ML)模型的一种流行技术。传统的FL实现很大程度上忽视了网络间协作的潜力,将参与ML的边缘/雾设备及其他基础设施视为独立的处理单元。因此,FL易受多个维度的网络异构性影响,例如不同的计算能力、通信资源、数据质量以及隐私需求。我们倡导协作式联邦学习(CFL),一种基于设备到设备(D2D)和设备到服务器(D2S)交互的协作式边缘/雾ML范式。通过D2D与D2S协作,CFL借助模型/数据/资源池化机制来抵消边缘/雾网络中的网络异构性,从而显著提升ML模型训练质量并降低网络资源消耗。我们提出了一组构成D2D与D2S协作基础的核心方法,并给出了证明其收益的初步实验。我们还讨论了该协作框架所赋能的新FL功能,例如将无标签数据与异构设备隐私整合进ML模型训练。最后,我们描述了协作式边缘/雾与FL交叉领域的若干开放研究方向。
引用
@article{arxiv.2303.08361,
title = {Towards Cooperative Federated Learning over Heterogeneous Edge/Fog Networks},
author = {Su Wang and Seyyedali Hosseinalipour and Vaneet Aggarwal and Christopher G. Brinton and David J. Love and Weifeng Su and Mung Chiang},
journal= {arXiv preprint arXiv:2303.08361},
year = {2023}
}
备注
This paper has been accepted for publication in IEEE Communications Magazine