目录
2.2 基于离线背包模型的联邦学习:OfflineKP-FL
摘要
近年来,为了打破数据“壁垒”,联邦学习被广泛关注。联邦学习不需要客户端上传原始数据就能完成模型训练,保护了用户的隐私。针对客户端设备具有异构性的问题,考虑各个客户端对加速全局模型收敛的贡献程度和系统的通信开销,以最大化客户端在本地训练模型的权重变化量为优化目标,解决在一定系统训练周期下的联邦学习中的客户端选择优化问题。由此,提出了两个基于背包模型的联邦学习协议,分别是OfflineKP-FL协议和OnlineKP-FL协议。OfflineKP-FL协议基于离线背包模型选择合适的客户端参与全局模型的聚合更新。为了降低OfflineKP-FL协议的复杂度,进一步基于在线背包模型选择用户提出了OnlineKP-FL协议。通过仿真发现,在特定情况下OfflineKP-FL协议有更高的收敛速度,优于之前提出的方法。而与OfflineKP-FL协议和FedCS协议相比,OnlineKP-FL协议下,系统不仅每轮选择更少的用户,而且能够在FedCS协议所需时间的64.1%内完成模型训练,使全局模型达到相同精度。
关键词: 联邦学习 ; 客户端选择 ; 背包模型