基于代理选举的高效异构联邦学习方法

TP301; 物联网多样性终端设备在计算、存储、通信方面的异构性导致联邦学习效率不足.针对上述联邦训练过程中面临的问题,基于代理选举思路,提出了一种高效联邦学习算法.设计了基于马氏距离的代理节点选举策略,将设备的计算能力与闲置时长作为选举因素,选举性价比高的设备作为代理节点,充分发挥设备计算能力.进一步设计了基于代理节点的新型云边端联邦学习架构,提升了异构设备之间的联邦学习效率.基于MNIST和CIFAR-10公开数据集与智能家居设备真实数据的实验表明,该联邦学习方法的效率提高了 22％....

Full description

Saved in:
Bibliographic Details
Published in计算机应用研究 Vol. 41; no. 3; pp. 688 - 693
Main Authors 王光辉, 白天水, 丁爽, 何欣
Format Journal Article
LanguageChinese
Published 河南大学软件学院,河南开封 475000 2024
河南省智能网络理论与关键技术国际联合实验室,河南开封 475000%河南大学软件学院,河南开封 475000
Subjects
efficiency
高效性
代理选举
device heterogeneity
设备异构
联邦学习
cloud-edge-end
云边端
federated learning
agent election
Online AccessGet full text
ISSN1001-3695
DOI10.19734/j.issn.1001-3695.2023.06.0297

Cover

More Information
Summary:TP301; 物联网多样性终端设备在计算、存储、通信方面的异构性导致联邦学习效率不足.针对上述联邦训练过程中面临的问题,基于代理选举思路,提出了一种高效联邦学习算法.设计了基于马氏距离的代理节点选举策略,将设备的计算能力与闲置时长作为选举因素,选举性价比高的设备作为代理节点,充分发挥设备计算能力.进一步设计了基于代理节点的新型云边端联邦学习架构,提升了异构设备之间的联邦学习效率.基于MNIST和CIFAR-10公开数据集与智能家居设备真实数据的实验表明,该联邦学习方法的效率提高了 22％.
ISSN:1001-3695
DOI:10.19734/j.issn.1001-3695.2023.06.0297