基于本地模型质量的客户端选择方法

• 全文链接
• 请求原文

作   者：

温依霖;  赵乃良;  曾艳;  韩猛;  岳鲁鹏;  张纪林; 

作者机构：

杭州电子科技大学计算机学院; 

关键词：

客户端选择;  训练时间;  损失值;  联邦学习;  数据异构; 

期刊名称：

计算机工程

i s s n：

1000-3428

年卷期：

2023 年 49 卷 06 期

页   码：

131-143

摘   要：

联邦学习是一种针对数据分布于多个客户端的环境下，客户端共同协作训练模型的分布式机器学习方法。在理想情况下全部客户端均参与每轮训练，但是实际应用中只随机选择一部分客户端参与。随机选择的客户端通常不能全面反映全局数据分布特征，导致全局模型训练效率和模型精度降低。为此，提出一种基于本地模型质量的客户端选择方法 ChFL。分析影响模型精度和收敛速度的重要因素，提取可反映客户端模型质量的损失值和训练时间2个重要指标。通过对本地损失值和训练时间融合建模，用于评估客户端模型质量。在此基础上，基于客户端质量指导客户端选择，同时与随机选择策略进行一定比例的结合，以提高全局模型精度。通过选择具有高质量的数据且计算性能较优的客户端参与训练，提升模型精度并加快收敛速度。在FEMNIST、CIFAR-10、MNIST、CINIC-10和EMNIST数据集上的实验结果表明，相比3种基线算法FedAvg、FedProx、FedNova，将ChFL与基线算法相结合后的收敛速度平均加快约10%，准确率平均提高4个百分点。