I 摘 要联邦学习既关注隐私保护又重视模型训练效率，在学术和工业界具有很大的应用潜力，但是边缘设备之间存在的算力差距和通信瓶颈，已经成为影响其大规模部署的主要障碍。本文分析了三种差异化的局部模型训练方法，即随机参数抽取、静态参数预设和滑动窗口筛选策略，以解决该异质性问题。这些方案的主要逻辑是依据终端实时拥有的资源条件，在全局模型里动态截取一定比例的子集并进行分发。该计算负载匹配方法能够减少边缘节点资源的浪费，在优化通信成本的过程中，也使联邦学习系统的整体收敛效率得到提高。由于现有研究大多只关注单机仿真，本文设计了一个参考 Fed...
发表评论取消回复