面向间歇性客户端参与的平滑层次化联邦学习：阶段性决策方法

联邦学习（FL）提供了一种开创性的分布式学习范式，使设备/客户端能够构建共享全局模型。该全局模型通过客户端与中心服务器之间的频繁模型传输获得，这可能导致高延迟、高能耗和回传链路拥塞。为克服这些缺点，层次化联邦学习（HFL）应运而生，它将客户端组织为多个集群，并利用边缘节点（如边缘服务器）在客户端与中心服务器之间进行中间模型聚合。当前关于HFL的研究主要关注在客户端集合稳定/固定的场景中提升模型准确率、延迟和能耗。然而，解决客户端的动态可用性——真实场景中的关键方面——仍未被充分探索。本研究深入探讨了在间歇性客户端参与条件下优化HFL中的客户端选择和客户端-边缘关联，以最小化总体系统成本（即延迟和能耗），同时实现快速模型收敛。我们揭示实现这一目标涉及求解一个复杂的NP难问题。为此，我们提出了一种将解分为两个阶段的阶段性方法，分别称为方案A和方案B。方案A专注于识别在后续模型训练轮次中具有高参与概率的长期客户端。方案B作为备份，在长期客户端在模型训练轮次中不可用时选择替代客户端。这种阶段性方法为客户端选择提供了新视角，可通过实现低开销决策过程来增强HFL和传统FL。通过在MNIST和CIFAR-10数据集上的评估，我们表明该方法在模型准确率和系统成本方面优于现有基准。