论文笔记——Client Selection for Federated Learning with Heterogeneous Resources in Mobile Edge

论文笔记——Client Selection for Federated Learning with Heterogeneous Resources in Mobile Edge

本文提出了一种基于边缘计算的协议来改进联邦学习算法。

由服务器和基站(BS)组成的位于无线网络中的特定MEC平台管理服务器和客户端的行为。

论文笔记——Client Selection for Federated Learning with Heterogeneous Resources in Mobile Edge_第1张图片

通过MEC operator 对客户端进行选择。

首先,随机选取一定占比的客户端,要求这些客户端发送其资源信息(例如无线信道状态,计算能力(例如,他们是否可以备用CPU或GPU来更新模型)以及与之相关的数据资源的大小)给MEC operator。

然后,MEC operator 根据收到的信息估计分发和计划的更新和上传步骤所需的时间,并确定哪些客户端进入这些步骤,以对户端进行选择。

FedCS协议

论文笔记——Client Selection for Federated Learning with Heterogeneous Resources in Mobile Edge_第2张图片   论文笔记——Client Selection for Federated Learning with Heterogeneous Resources in Mobile Edge_第3张图片

客户端选择

论文笔记——Client Selection for Federated Learning with Heterogeneous Resources in Mobile Edge_第4张图片

使用CIFAR-10和Fashion-MNIST数据集测试协议性能:

IID

论文笔记——Client Selection for Federated Learning with Heterogeneous Resources in Mobile Edge_第5张图片论文笔记——Client Selection for Federated Learning with Heterogeneous Resources in Mobile Edge_第6张图片论文笔记——Client Selection for Federated Learning with Heterogeneous Resources in Mobile Edge_第7张图片论文笔记——Client Selection for Federated Learning with Heterogeneous Resources in Mobile Edge_第8张图片

non-IID

论文笔记——Client Selection for Federated Learning with Heterogeneous Resources in Mobile Edge_第9张图片

论文笔记——Client Selection for Federated Learning with Heterogeneous Resources in Mobile Edge_第10张图片

会不会造成拥有大量数据的客户端参与训练的机会较小,浪费了大量可用于训练的数据?

原文见论文题目

 

你可能感兴趣的