公平选择边缘节点参与聚类联邦多任务学习
摘要：集群化联邦多任务学习：一种高效的方法，适用于数据不平衡且分布在客户端之间的非独立同分布的情况。尽管相似度度量可以根据数据分布为客户组提供专门的模型，但由于服务器需要先捕获所有客户端的数据分布才能执行正确的聚类，这个过程可能非常耗时。由于网络边缘的资源和时间限制，每轮只选择一小部分设备，因此需要一种高效的调度技术来解决这些问题。因此，本文提出了一种分两步的客户端选择和调度方法，以提高收敛速度并捕获所有数据分布。该方法通过利用带宽复用，使参与者在训练模型时花费更长的时间，并利用设备的异质性，根据延迟对参与者进行调度，从而确保正确的聚类和客户之间的公平性。服务器根据预定的阈值和停止准则进行聚类。当指定的聚类接近停止点时，服务器通过选择延迟较低且资源较好的设备进行贪婪选择。提供了收敛分析，展示了所提出的调度方法与专门模型的收敛速率之间的关系，以获得在非独立同分布数据分布下的收敛界。我们进行了大量的仿真实验，结果表明所提出的算法能够减少训练时间，提高收敛速度，并为每个用户提供适合其数据分布的定制模型。
作者：Abdullatif Albaseer, Mohamed Abdallah, Ala Al-Fuqaha, Abegaz Mohammed, Aiman Erbad, Octavia A. Dobre
论文ID：2304.13423
分类：Networking and Internet Architecture
分类简称：cs.NI
提交时间：2023-05-02