面向资源受限环境的自适应联邦学习方法
原文中文,约400字,阅读约需1分钟。发表于: 。本研究提出了一种资源自适应异步联邦学习算法 (Fed-RAA),通过根据计算和通信能力分配全局模型的片段给不同的参与客户端,从而解决异构资源下的联邦学习问题。该方法在理论上证实了收敛性,并设计了一种基于贪心算法的在线分配策略,与离线策略相比具有可比拟的公平性。通过对 MNIST、CIFAR-10 和 CIFAR-100...
本文介绍了一种动态全球模型聚合方法,用于解决异质设备和客户端之间不同分布的数据带来的性能挑战。该方法根据客户端的上传频率对模型更新的权重进行评分和调整,以适应设备能力的差异。同时,在客户端上传本地模型后立即提供更新的全球模型,以提高训练效率。实验结果表明,该方法在全球模型的准确性上有显著提升。该方法能够在限制的客户资源和统计数据异质性下实现可靠的全球模型训练,提高了现实世界的联邦学习部署的韧性和可扩展性。