.png){kind=icon}
返回
GHPFL: Advancing Personalized Edge-Based Learning Through Optimized Bandwidth Utilization
.png){kind=icon}
PRE
AI
DOI：10.1109/TCC.2025.3540023.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）正被越来越多地用于在不泄露私有数据的情况下，从客户端整合知识进行训练。为了提升不同参与者的性能，个性化联邦学习（personalized FL）最近被提出。然而，考虑到客户端数据的非独立同分布（non-IID）特性和有限的带宽，模型性能可能受到影响。在现实中，地理位置相近的客户端往往具有相似的数据分布。在本工作中，我们在客户端-边缘-服务器联邦学习架构中训练个性化边缘模型。在考虑数据分布差异的同时，我们充分利用有限的带宽资源。为了使训练既高效又准确，一个直观的想法是从其他边缘尽可能多地学习有用知识，并减少由非独立同分布数据引起的精度损失。因此，我们设计了分组分层个性化联邦学习（GHPFL）。在该框架中，每个边缘与多个客户端建立物理连接，而服务器与边缘建立物理连接。它将边缘聚类成组，并为同步建立客户端-边缘逻辑连接。这是基于节点主动识别的数据相似性以及底层物理拓扑。我们进行大规模评估以证明GHPFL相对于其他方案的优势。
Keyword:
Distributed algorithms
distributed computing
federated learning
期刊
I
IF:
5
论文数:
1.8K
被引数:
4.3K
机构
引用论文
分享收藏分享收藏Federated Clouds for Efficient Multitasking in Distributed Artificial Intelligence Applications
PREAI
分享收藏Clustered Federated Learning: Model-Agnostic Distributed Multitask Optimization Under Privacy Constraints集群联邦学习: 隐私约束下的模型不可知的分布式多任务优化
OAAI
OAAI分享收藏Gradient-based learning applied to document recognition基于梯度的学习在文档识别中的应用.png)
PROCEEDINGS OF THE IEEE
PROCEEDINGS OF THE IEEEIF25.9
PREAI
分享收藏
查看更多内容