.png){kind=icon}
返回
Dynamic client selection for federated learning using data envelopment analysis
.png){kind=icon}
PRE
AI
DOI：10.1007/s11227-025-08057-1.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
联邦学习（FL）是一种新兴的分布式机器学习框架，它通过共享模型参数而非原始数据来保护数据隐私。然而，传统的FL系统通常随机选择客户端，忽视了数据异质性、硬件差异和网络变异性等关键挑战，导致性能次优和效率低下。此外，在商业应用中，降低支付给客户端的经济成本仍是一个关键问题。为解决这些问题，我们提出了一种用于FL的动态客户端选择框架（DCSF-FL），该框架整合了Shapley值（SV）和数据包络分析（DEA）以优化客户端选择。具体而言，SV量化了每个客户端在FL的每一通信轮次中的贡献。DCSF-FL更新质量和声誉指标，同时通过SV计算DEA中动态松弛基测量（SBM）模型的输入指标，随后应用SBM模型评估每个客户端在FL术语通信轮次中的效率，用于动态选择成本高效的客户端。在多个基准数据集上的实验表明，与随机选择方法相比，DCSF-FL将模型准确率提高了最多20.3%，同时将训练成本降低了最多36.5%。此外，该框架提高了训练效率和模型可靠性，表现为性能方差的减少。这些结果表明DCSF-FL在平衡性能、成本和可扩展性方面具有有效性，适用于实际的FL部署。
Keyword:
Federated learning
Dynamic clients selection
Privacy computing
DEA
Dynamic SBM
期刊
T
IF:
0
论文数:
647
被引数:
0
机构
引用论文
Big data and portfolio optimization: A novel approach integrating DEA with multiple data sources
PREAI
分享收藏
分享收藏
PPFLHE: A privacy-preserving federated learning scheme with homomorphic encryption for healthcare dataPPFLHE: 一种用于医疗数据的具有同态加密的隐私保护联邦学习方案
PREAI
分享收藏Tahir, M., Mawla, T., Awaysheh, F., Alawadi, S., Gupta, M., Ali, M.I., 2025. SecureFedPROM: A zero-trust federated learning approach with multi-criteria client selection. IEEE Journal on Selected Areas in Communications 43, 2025–2041.Tahir, M., Mawla, T., Awaysheh, F., Alawadi, S., Gupta, M., Ali, M.I., 2025. SecureFedPROM: 一种具有多准则客户端选择的无信任联邦学习方法。IEEE 通信学会期刊上的选择领域 43, 2025–2041..png)
IF0
PREAI
分享收藏
查看更多内容