多任务的边缘联邦学习:一种融合契约论和匹配博弈的激励机制 |
| |
引用本文: | 叶东东,吴茂强. 多任务的边缘联邦学习:一种融合契约论和匹配博弈的激励机制[J]. 工业控制计算机, 2022, 35(3): 4-5+9. DOI: 10.3969/j.issn.1001-182X.2022.03.002 |
| |
作者姓名: | 叶东东 吴茂强 |
| |
作者单位: | 广东工业大学自动化学院,广东 广州 510006 |
| |
摘 要: | 联邦学习(Federated Learning,FL)是一种新兴的分布式机器学习范式,它允许移动设备以分散的方式协作训练全局模型,同时保持训练数据在终端上面。然而,由于数千个异构分布式终端设备参与FL任务,所以FL面临的挑战是通信效率问题。为了解决上述问题,基于边缘计算的FL被提出来了,即边缘联邦学习。边缘计算利用终端设备附近的边缘节点执行模型参数的下发和聚合,进而降低通信时间。尽管有上述巨大的好处,多任务的边缘联邦学习的激励机制尚未得到很好的解决。因此,提出了一种融合契约论和匹配博弈的激励机制;然后,基于三个数据集的实验结果验证了该激励机制和匹配算法的有效性。
|
关 键 词: | 多任务 联邦学习 契约论 匹配博弈 |
Towards Multi-Task Federated Learning in Edge Computing:a Contract-Matching Approach |
| |
Abstract: | |
| |
Keywords: | |
本文献已被 万方数据 等数据库收录! |
|