-
题名基于时变计算资源的联邦学习设备选择算法
- 1
-
-
作者
刘建勋
张幸林
-
机构
华南理工大学计算机科学与工程学院
-
出处
《计算机科学》
CSCD
北大核心
2024年第6期354-363,共10页
-
基金
国家自然科学基金(62372185)
广东省基础与应用基础研究区域联合基金-重点项目(2021B1515120078)。
-
文摘
联邦学习(Federated Learning,FL)是一种新兴的分布式机器学习范式,其核心思想是用户设备以分布式的方式在本地训练模型,且无需上传原始数据,仅需将训练后的模型上传到服务器进行模型聚合。现有研究大多忽略了设备的计算资源会随着用户的使用模式而发生时序性变化,这会影响FL的训练进度。文中针对异构设备具有时变计算资源的特点,使用自回归模型对时变计算资源进行建模,并提出了一个设备选择算法。首先构造了长期训练时间约束下最小化每轮FL平均训练时间的优化问题,接着采用李雅普诺夫优化理论对其进行转化,最后求解得到设备选择算法。实验结果表明,与基线算法相比,所提算法能够在基本保证模型质量的同时缩短FL的训练时间和设备的平均等待时间。
-
关键词
联邦学习
设备选择
时变的计算资源
不平衡数据
-
Keywords
Federated learning
Client selection
Time-varying computing resources
Unbalanced data
-
分类号
TP39
[自动化与计算机技术—计算机应用技术]
-
