Class aware efficient client selection and multi-loss guided local performance optimization in federated learning

Akshay Singh

doi:10.1016/j.future.2025.108172

Class aware efficient client selection and multi-loss guided local performance optimization in federated learning

2025-10-02

0

PRE

AI

DOI：10.1016/j.future.2025.108172

原文链接

原文求助

摘要

En 中文

联邦学习（FL）能够在多个边缘设备上实现去中心化模型训练，并通过边缘本地数据处理来保护隐私。尽管FL通过仅交换模型权重来减少数据传输，但固有的多次聚合步骤会增加通信开销。实际上，客户端的数据集在标签分布上表现出显著差异。这意味着在标签类别方面，跨客户端的数据并非独立同分布（non-IID），从而形成每个客户端独特的分布模式。这导致局部目标与全局最优之间出现不一致，进而影响全局训练的整体性能。此外，性能与能耗之间的权衡仍是一个主要挑战，现有FL方法大多对此关注不足。为解决此问题，我们引入了一种基于多损失函数指导的、考虑类别分布的客户端选择算法，该算法优化了参与边缘设备的性能与能耗，命名为CACS-FL。在CACS-FL中，首先根据各边缘设备的异构性得分和能耗计算其置信度分数，并进一步优化以选择合适的边缘设备集合。选择完成后，客户端使用加权多损失函数执行本地训练，从而提升个性化性能并实现更高的全局性能。在多种数据集上的实验结果表明，CACS-FL相较于现有最先进方法具有优势。CACS-FL还能确保在参与边缘设备间实现性能公平性下的更快收敛。

Class aware efficient client selection and multi-loss guided local performance optimization in federated learning

摘要

期刊

机构

引用论文