一种基于带宽分配的联邦学习激励机制

一种基于带宽分配的联邦学习激励机制

TP393; 联邦学习(FL,federated learning)是一种新兴的机器学习范式,它可以充分利用移动众包资源进行去中心化数据训练.然而,在无线网络中部署FL面临网络带宽有限、移动用户自私等挑战.为了应对这些挑战,提出了一种基于带宽分配的激励机制(IMBA,incentive mechanism with bandwidth allocation).IMBA考虑用户数据质量和计算能力的不同设计支付方案,以激励高数据质量用户贡献其计算资源,进而提升模型训练精度.通过最小化训练时间和支付成本权重和确定最佳支付与带宽分配方案,通过优化带宽分配降低训练时延.实验表明,IMBA能够有效提高训练...

Ausführliche Beschreibung

Gespeichert in:
Bibliographische Detailangaben
Veröffentlicht in:物联网学报 2022, Vol.6 (4), p.82-92
Hauptverfasser: 郭英芸, 高博, 张志飞, 张煜, 熊轲
Format: Artikel
Sprache:chi
Online-Zugang:Volltext
Tags: Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
Beschreibung
Zusammenfassung:TP393; 联邦学习(FL,federated learning)是一种新兴的机器学习范式,它可以充分利用移动众包资源进行去中心化数据训练.然而,在无线网络中部署FL面临网络带宽有限、移动用户自私等挑战.为了应对这些挑战,提出了一种基于带宽分配的激励机制(IMBA,incentive mechanism with bandwidth allocation).IMBA考虑用户数据质量和计算能力的不同设计支付方案,以激励高数据质量用户贡献其计算资源,进而提升模型训练精度.通过最小化训练时间和支付成本权重和确定最佳支付与带宽分配方案,通过优化带宽分配降低训练时延.实验表明,IMBA能够有效提高训练精度,降低训练时间,并帮助服务器灵活权衡训练时间和支付报酬.
ISSN:2096-3750
DOI:10.11959/j.issn.2096-3750.2022.00300