典型文献
基于背包模型的联邦学习客户端选择方法
文献摘要：
近年来,为了打破数据"壁垒",联邦学习被广泛关注.联邦学习不需要客户端上传原始数据就能完成模型训练,保护了用户的隐私.针对客户端设备具有异构性的问题,考虑各个客户端对加速全局模型收敛的贡献程度和系统的通信开销,以最大化客户端在本地训练模型的权重变化量为优化目标,解决在一定系统训练周期下的联邦学习中的客户端选择优化问题.由此,提出了两个基于背包模型的联邦学习协议,分别是OfflineKP-FL协议和OnlineKP-FL协议.OfflineKP-FL协议基于离线背包模型选择合适的客户端参与全局模型的聚合更新.为了降低OfflineKP-FL协议的复杂度,进一步基于在线背包模型选择用户提出了OnlineKP-FL协议.通过仿真发现,在特定情况下OfflineKP-FL协议有更高的收敛速度,优于之前提出的方法.而与OfflineKP-FL协议和FedCS协议相比,OnlineKP-FL协议下,系统不仅每轮选择更少的用户,而且能够在FedCS协议所需时间的64.1％内完成模型训练,使全局模型达到相同精度.
文献关键词：
联邦学习;客户端选择;背包模型
中图分类号：
作者姓名：
郭佳慧;陈卓越;高玮;王玺钧;孙兴华;高林
作者机构：
中山大学,广东广州 510006;哈尔滨工业大学(深圳),广东深圳 518055
文献出处：
引用格式：
[1]郭佳慧;陈卓越;高玮;王玺钧;孙兴华;高林-.基于背包模型的联邦学习客户端选择方法)[J].物联网学报,2022(04):158-168
A类：
客户端选择,OfflineKP,OnlineKP,FedCS
B类：
背包模型,联邦学习,选择方法,端上,原始数据,成模,模型训练,端设备,异构性,全局模型,贡献程度,通信开销,训练模型,变化量,优化目标,系统训练,训练周期,择优,优化问题,FL,离线,模型选择,定情,收敛速度
AB值：
0.197664
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
