FedASA：异构移动边缘计算环境中的个性化联邦学习与自适应模型聚合技术_fedasa: a personalized federated learning with ada-CSDN博客

题目：FedASA: A Personalized Federated Learning with Adaptive Model Aggregation for Heterogeneous Mobile Edge Computing

摘要：联邦学习（FL）作为一种新兴技术，为工业物联网（IoT）中的机器学习提供了新的可能性。它能够在保障数据隐私的前提下，实现协同训练。然而，在实际的物联网应用中，联邦学习面临三大主要挑战：统计数据的异质性、资源的限制以及公平性的维护。为应对这些挑战，我们提出了一种名为FedASA的高效且公平的联邦学习方法。FedASA通过自适应选择共享架构，有效解决了资源受限环境中的统计异质性问题。FedASA首先采用一种基于单元的共享架构选择策略，为每个设备自适应地构建最适合的共享架构。接着，我们设计了一个基于单元的聚合算法，以便在异构设备之间有效聚合共享架构。为了确保方法的可靠性，我们进行了联邦误差界的理论分析，从而为算法的公平性提供了坚实的理论支持。此外，FedASA在一阶驻点处的收敛性也得到了证明。通过广泛的仿真和实际实验，我们对FedASA的性能进行了深入评估。结果表明，在跨越不同地理位置的场景中，FedASA在准确性方面比现有的最先进方法提高了最高达13.27%。同时，它在公平性、收敛速度方面表现更优，且通信需求显著降低了81.49%。这些结果表明FedASA在实际应用中的潜在优势，为工业物联网中的联邦学习提供了一种高效、可靠的解决方案。