基于排名的仿真学习客户选择用于高效的联邦学习

提出了一种基于估计方案的设备选择算法，以最小化类别不平衡，提高联邦学习全局模型的收敛性能。

FairFedCS方法通过动态调整联邦用户的选择概率，平均实现了19.6%的公平性提升和0.73%的测试准确性提升。

FilFL方法通过选择最大化特定目标函数的客户端，显著提高学习效率和加速收敛。

客户端选择是联邦学习系统性能的关键因素，传统选择技术包括随机选择和面向资源的选择。

FedMarl框架通过多智能体强化学习显著提高模型精度，降低处理延迟和通信成本。

SocFedCS方案通过信任网络在移动联邦学习中最小化成本，测试准确率比最佳基线高2.06%。

Ed-Fed框架提出资源感知客户端选择算法，优化联邦学习中的等待时间。

研究发现联邦学习中的主要挑战包括异构性、资源分配、通讯成本和公平性。

提出的公平客户选择方法在IID和非IID数据上减少了准确率差异，并减少了平均训练时间。