基于选择性通信策略的高效联邦学习研究 |
| |
引用本文: | 李群,陈思光.基于选择性通信策略的高效联邦学习研究[J].小型微型计算机系统,2024(3):549-554. |
| |
作者姓名: | 李群 陈思光 |
| |
作者单位: | 南京邮电大学物联网学院 |
| |
基金项目: | 国家自然科学基金项目(61971235)资助;;江苏省“333高层次人才培养工程”项目资助;;中国博士后科学基金(面上一等资助)项目(2018M630590)资助;;江苏省博士后科研资助计划项目(2021K501C)资助; |
| |
摘 要: | 近年来,随着人工智能技术的飞速发展,人们越来越重视数据隐私与安全,世界各国也出台一系列法律法规以保护用户隐私.面对制约人工智能发展的数据孤岛以及数据隐私和安全问题,联邦学习作为一种新型的分布式机器学习技术应运而生.然而,高通信开销问题阻碍着联邦学习的进一步发展,为此,本文提出了基于选择性通信策略的高效联邦学习算法.具体地,该算法基于联邦学习的网络结构特点,采取选择性通信策略,在客户端通过最大均值差异衡量本地模型与全局模型的相关性以过滤相关性较低的本地模型,并在服务器端依据相关性对本地模型进行加权聚合.通过上述操作,所提算法在保证模型快速收敛的同时能够有效减少通信开销.仿真结果表明,与FedAvg算法和FedProx算法相比,所提算法能够在保证准确率的前提下,将通信轮次分别减少54%和60%左右.
|
关 键 词: | 联邦学习 通信开销 最大均值差异 |
|
|