FPrune: a parameter pruning algorithm based on federated deep classification model

Li, Xinjing

doi:10.1504/IJCSE.2026.152468

FPrune: a parameter pruning algorithm based on federated deep classification model

2026-01-01

0

PRE

AI

DOI：10.1504/IJCSE.2026.152468

原文链接

原文求助

摘要

En 中文

联邦学习是一种分布式机器学习框架，能够使多个参与者在不共享原始数据的情况下协同训练模型。然而，参数通信需要显著的数据传输。随着深度神经网络模型规模的增大，在复杂网络环境中部署联邦学习会导致通信成本大幅增加。为解决此挑战，我们提出了一种针对深度联邦文本分类模型的剪枝算法，称为FPrune。该算法在联邦学习训练阶段通过计算每个滤波器的重要性来评估本地训练模型的重要性，并剪枝重要性较低的滤波器。此外，我们引入了一种双向剪枝策略，在客户端和服务器端均进行滤波器剪枝。实验结果表明，与FedAvg相比，FPrune/25%和FPrune/50%算法分别将通信成本降低了70.22%和42.03%。此外，模型性能损失被限制在大约1.34%，表明FPrune算法能够在保持最小性能下降的同时有效降低通信成本。通信成本的降低使联邦文本分类模型能够在联邦学习框架内更有效地扩展，促进联邦文本分类的进一步应用，特别是在资源受限的移动设备上。

Keyword:

federated learning

deep classification

model pruning

TextCNN

FPrune: a parameter pruning algorithm based on federated deep classification model

摘要

期刊

机构

引用论文