分层边缘联邦学习:一种基于契约论的双层激励机制 |
| |
引用本文: | 叶东东. 分层边缘联邦学习:一种基于契约论的双层激励机制[J]. 工业控制计算机, 2022, 0(1): 104-105+108 |
| |
作者姓名: | 叶东东 |
| |
作者单位: | 广东工业大学自动化学院 |
| |
摘 要: | 联邦学习(Federated Learning,FL)是一种分布式神经网络训练的方法,它使多个终端协作训练一个共享的神经网络模型,同时保证训练数据存在于终端上。然而,FL涉及数千个异构分布式终端设备。在这种情况下,低效的通信是FL的关键瓶颈。为了解决上述问题,一种融合边缘计算的分层联邦学习(Hierarchical FL,HFL)框架被提出来了。尽管HFL有上述的巨大好处,但是激励机制设计的挑战在HFL框架中尚未得到解决。因此,提出了一种基于契约论的双层激励机制方法;然后,基于CIFAR10数据集的实验结果验证了该激励机制的有效性。
|
关 键 词: | 分簇 联邦学习 契约论 激励机制 |
Incentivizing for Hierarchical Federated Learning in Edge Computing:A Two-Layer Contract Approach |
| |
Abstract: | |
| |
Keywords: | hierarchical federated learning contract theory |
本文献已被 维普 等数据库收录! |
|