联邦学习的信息价值与时间感知调度
网络与互联网体系结构
2023-12-19 v1 机器学习
摘要
数据在推动人工智能进步方面具有显著价值。然而，保护终端用户设备生成的数据的隐私变得至关重要。联邦学习（FL）通过在训练过程中保护数据隐私提供了一种解决方案。FL 通过接入点（AP）将模型直接带到用户设备（UE）进行本地训练。AP 定期聚合来自 UE 的训练参数，增强模型并将其发送回它们。然而，由于通信限制，每次全局聚合时只有一部分 UE 能够更新参数。因此，开发创新的调度算法对于实现完整的 FL 实施并增强 FL 收敛性至关重要。在本文中，我们提出了一种结合更新年龄概念和数据 Shapley 指标的调度策略。该策略考虑了来自各个数据源的接收参数更新的新鲜度和价值，以及实时信道条件，以提高 FL 的运行效率。所提出的算法简单，其有效性通过仿真得到了证明。
关键词
引用
@article{arxiv.2312.10512,
title = {Value of Information and Timing-aware Scheduling for Federated Learning},
author = {Muhammad Azeem Khan and Howard H. Yang and Zihan Chen and Antonio Iera and Nikolaos Pappas},
journal= {arXiv preprint arXiv:2312.10512},
year = {2023}
}
备注
IEEE Conference on Standards for Communications and Networking 2023