基于事件触发的通信有效联邦学习算法

TP181; 由于实际网络的带宽是有限的,因此客户端和中心服务器之间的通信成为联邦学习的一个主要瓶颈.为了减小通信开销,该文引入事件触发机制,提出一个通信有效的联邦学习算法(FedET).首先,客户端利用事件触发机制判断是否需要向中心服务器发送当前模型.然后,中心服务器基于收到的信息进行模型聚合.具体地,在每个通信轮次,客户端完成本地模型训练之后,将模型更新和触发阈值进行比较,若触发通信,则将信息进行压缩后发送给中心服务器.进一步地,分别对满足凸的、PL(Polyak-?ojasiewicz)条件的和非凸的光滑目标函数,该文分析了所提算法的收敛性并给出了证明.最后,在两个标准的数据集上进行仿真实验.实验结果验证了所提算法的可行性和有效性.