典型文献
多任务的边缘联邦学习:一种融合契约论和匹配博弈的激励机制
文献摘要：
联邦学习(Federated Learning,FL)是一种新兴的分布式机器学习范式,它允许移动设备以分散的方式协作训练全局模型,同时保持训练数据在终端上面.然而,由于数千个异构分布式终端设备参与FL任务,所以FL面临的挑战是通信效率问题.为了解决上述问题,基于边缘计算的FL被提出来了,即边缘联邦学习.边缘计算利用终端设备附近的边缘节点执行模型参数的下发和聚合,进而降低通信时间.尽管有上述巨大的好处,多任务的边缘联邦学习的激励机制尚未得到很好的解决.因此,提出了一种融合契约论和匹配博弈的激励机制;然后,基于三个数据集的实验结果验证了该激励机制和匹配算法的有效性.
文献关键词：
多任务;联邦学习;契约论;匹配博弈
中图分类号：
作者姓名：
叶东东;吴茂强
作者机构：
广东工业大学自动化学院,广东 广州 510006
文献出处：
引用格式：
[1]叶东东;吴茂强-.多任务的边缘联邦学习:一种融合契约论和匹配博弈的激励机制)[J].工业控制计算机,2022(03):4-5,9
A类：
匹配博弈
B类：
多任务,联邦学习,契约论,Federated,Learning,FL,分布式机器学习,学习范式,移动设备,作训,全局模型,训练数据,端上,上面,数千个,终端设备,通信效率,效率问题,边缘计算,边缘节点,管有,好处,匹配算法
AB值：
0.328639
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。
