以用户为中心的联邦学习
机器学习
2021-10-20 v1 信息论
信号处理
math.IT
摘要
参与设备间的数据异构性构成了联邦学习的主要挑战之一，因其已被证明会极大损害收敛时间与泛化能力。在本工作中，我们通过在点数服务器上采用多个以用户为中心的聚合规则来实现个性化，从而应对该局限。我们的方法潜在地为每位用户生成个性化模型，代价是一定的额外下行通信开销。为在个性化与通信效率之间取得权衡，我们提出了一种广播协议，其限制个性化流的数量，同时保留我们学习方案的本质优势。仿真结果表明，相较于其他竞争性基线方案，我们的方法具有更高的个性化能力、更快的收敛速度与更好的通信效率。
引用
@article{arxiv.2110.09869,
title = {User-Centric Federated Learning},
author = {Mohamad Mestoukirdi and Matteo Zecchin and David Gesbert and Qianrui Li and Nicolas Gresset},
journal= {arXiv preprint arXiv:2110.09869},
year = {2021}
}
备注
Accepted in Workshop on Wireless Communications For Distributed Intelligence, GLOBECOM 2021