-
题名基于DRL的联邦学习节点选择方法
被引量：14
- 1
-
-
作者
贺文晨
郭少勇
邱雪松
陈连栋
张素香
-
机构
北京邮电大学网络与交换技术国家重点实验室
国网河北信息通信分公司
国家电网有限公司信息通信分公司
-
出处
《通信学报》
EI
CSCD
北大核心
2021年第6期62-71,共10页
-
基金
国家自然科学基金资助项目(No.62071070)
教育部区块链核心计划基金资助项目(No.2020KJ010802)
河北省重点研发计划基金资助项目(No.20310103D)。
-
文摘
为了应对设备差异化计算能力及非独立同分布数据对联邦学习性能的影响,高效地调度终端设备完成模型聚合,提出了一种基于深度强化学习的设备节点选择方法。该方法考虑异构节点的训练质量和效率,筛选恶意节点,在提升联邦学习模型准确率的同时,优化训练时延。首先,根据联邦学习中模型分布式训练的特点,构建基于深度强化学习的节点选择系统模型。其次,考虑设备训练时延、模型传输时延和准确率等因素,提出面向节点选择的准确率最优化问题模型。然后,将问题模型构建为马尔可夫决策过程,并设计基于分布式近端策略优化的节点选择算法,在每次训练迭代前选择合理的设备集合完成模型聚合。仿真实验表明,所提方法显著提高了联邦学习的准确率和训练速度,且具有良好的收敛性和稳健性。
-
关键词
联邦学习
模型聚合
节点选择
深度强化学习
准确率
-
Keywords
federated learning
model aggregation
node selection
deep reinforcement learning
accuracy
-
分类号
TP911.1
[自动化与计算机技术]
-
