面向能源感知的联邦学习：基于 MARL 的双选取方法
机器学习
2024-07-10 v2 人工智能
摘要
虽然联邦学习（FL）在 AI of Things（AIoT）设备间的知识共享方面具有前景，但其训练性能和能源效率在实际电池驱动的场景中由于模型范式与异构设备能力之间的“木桶效应”而受到严重限制。因此，由于各设备之间的各种差异，现有的 FL 方法难以在能源受限的场景下有效进行训练，如设备电池限制。为解决上述问题，我们提出了一种能源感知的联邦学习框架，称为 DR-FL，该框架考虑了客户端和异构深度学习模型的能源限制，以实现能源效率的联邦学习。不同于传统 FL，DR-FL 采用我们提出的基于多智能体强化学习（MARL）的双选取方法，允许参与设备在其计算能力和能源能力的基础上，以 MARL 为基础的方式有效且自适应地为全局模型做出贡献。在 various 被广泛认可的数据集上进行的实验表明，DR-FL 能够在遵守能源限制的同时优化大规模 AIoT 系统中不同模型之间知识的交换，同时改善每个 individual 异构设备模型的性能。
引用
@article{arxiv.2405.08183,
title = {Towards Energy-Aware Federated Learning via MARL: A Dual-Selection Approach for Model and Client},
author = {Jun Xia and Yi Zhang and Yiyu Shi},
journal= {arXiv preprint arXiv:2405.08183},
year = {2024}
}