.png){kind=icon}
返回
Gradient-driven data-free sample balancing for robust hierarchical federated learning
.png){kind=icon}
PRE
AI
DOI：10.1016/j.knosys.2025.115107.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着边缘设备的快速普及，传统的星型拓扑联邦学习架构越来越难以满足现代生产环境的需求。因此，层次联邦学习已逐渐成为主流范式。然而，传统的层次联邦学习框架仍面临关键挑战，尤其是在处理客户端数据异质性方面。客户端数据的差异性会沿层次结构向上传播，最终导致严重的模型漂移。现有缓解漂移的方法主要依赖于引入控制变量来纠正偏差。尽管这些方法在一定程度上有效，但它们既不能从根本上阻止漂移的产生，也无法阻断其跨层传播。因此，开发更有效的解决方案仍是一个开放性挑战。为此，本文提出了HFLsg（梯度驱动的无数据样本平衡鲁棒层次联邦学习）。在宏观层面，HFLsg采用了一种样本平衡策略，动态调整组内客户端的分布，从而间接平衡组级数据样本。这种设计约束了层次结构底层的模型漂移，防止其向上扩散。在微观层面，HFLsg引入了梯度校正机制，以自顶向下的方式调整梯度，进一步抑制漂移的影响。此外，通过确保高层模型的稳定性，样本平衡策略还有助于更有效的梯度校正。通过宏观分布与微观优化的联合调控，HFLsg显著降低了模型漂移的发生。
期刊
K
IF:
7.6
论文数:
1.3W
被引数:
4.5W
机构
引用论文
分享收藏Security of Internet of Things (IoT) using federated learning and deep learning - Recent advancements, issues and prospects使用联合学习和深度学习的物联网 (IoT) 安全性-最新进展、问题和前景.png)
ICT EXPRESS
OAAI
ICT EXPRESSIF4.2
OAAI分享收藏Distributed AI in Zero-Touch Provisioning for Edge Networks: Challenges and Research Directions边缘网络零接触配置中的分布式AI: 挑战和研究方向Computer
OAAI
ComputerIF0
OAAI分享收藏A Comprehensive Survey of Privacy-preserving Federated Learning: A Taxonomy, Review, and Future Directions保护隐私的联合学习的综合调查: 分类法，回顾和未来方向OAAI
OAAI分享收藏
查看更多内容