迈向灵活的设备参与联邦学习
机器学习
2021-03-01 v2 机器学习
摘要
传统的联邦学习算法对设备的参与率施加了严格要求，这限制了联邦学习的潜在覆盖范围。本文扩展了当前的学习范式，以纳入可能变为不活跃、计算不完整更新、并在训练中途离开或到达的设备。我们推导了分析结果，以说明在数据非独立同分布（non-IID）时，允许更灵活的设备参与会如何影响学习收敛。然后我们提出了一种新的联邦聚合方案，即使设备可能不活跃或返回不完整更新也能收敛。我们还研究了学习过程如何适应提前离开或延迟到达，并分析了它们对收敛的影响。
引用
@article{arxiv.2006.06954,
title = {Towards Flexible Device Participation in Federated Learning},
author = {Yichen Ruan and Xiaoxi Zhang and Shu-Che Liang and Carlee Joe-Wong},
journal= {arXiv preprint arXiv:2006.06954},
year = {2021}
}