基于 MAB 的不确定资源移动网络联邦学习客户端选择

Sep, 2020

基于 MAB 的不确定资源移动网络联邦学习客户端选择

MAB-based Client Selection for Federated Learning with Uncertain Resources in Mobile Networks

Naoya Yoshida, Takayuki Nishio, Masahiro Morikura, Koji Yamamoto

TL;DR本文提出了一种针对联邦学习（FL）客户端不能评估计算和通信资源的客户端选择方法，该方法使用移动客户端的丰富数据和计算资源训练机器学习（ML）模型，而无需在集中式系统中收集其数据。

Abstract

This paper proposes a client selection method for federated learning (FL) when the computation and communication resource of clients cannot be estimated; the method trains a machine learning (ML) model using the

federated learning client selection multi-armed bandit mobile networks resource fluctuation

发现论文，激发创造

移动边缘异构资源联邦学习的客户端选择

本篇论文中，我们介绍了一种基于移动边缘计算，利用分布式客户端数据和计算资源进行高性能机器学习模型训练的框架，该框架扩展了联邦学习的分布式学习框架，以实现与实际基于蜂窝网络的异构客户端的协作；我们的新 FL 协议（FedCS）通过解决具有资源限制的客户端选择问题来提高训练效率，在公开可用的大规模图像数据集上进行实验，实验结果表明，与原始 FL 协议相比，FedCS 能够在显著缩短的时间内完成训练。

Apr, 2018

基于学习的无线网络联邦学习服务客户选择与经济预算约束

该研究针对无线网络中多个联合学习服务，探究了一个基于数据质量感知的动态客户端选择问题，提出了一个多智能体混合深度强化学习算法以优化客户端选择和付款行为，同时避免行动冲突，并给出了模拟结果表明该算法显著提高了训练性能。

Aug, 2022

联邦学习中客户选择的综合调查

联邦学习是机器学习领域中迅速发展的领域，允许数据在多个分散设备上进行训练。客户端选择是整个系统性能的关键因素。本调查综述了联邦学习中最先进的客户端选择技术，包括它们的优点、局限性以及需解决的挑战和开放问题。我们涵盖了传统的选择技术，例如随机选择，其中选择所有或部分随机的客户端进行训练。我们还涵盖了面向性能和面向资源的选择，适用于资源受限和异构网络。我们还讨论了客户端选择在模型安全增强中的使用。最后，我们讨论了动态约束和异构网络中的客户端选择相关的开放问题和挑战。

Nov, 2023

异步无线联邦学习与概率客户端选择

通过联邦学习解决异步模式下的执行阻塞问题，提出利用概率选择客户端和带宽分配来优化异步联邦学习的收敛速度和移动能源消耗的问题，并通过实验验证了该方法的优越性。

Nov, 2023

联邦学习中客户选择的系统文献综述

该研究系统综述了联邦学习中客户端选择的挑战、解决方案和评估指标，研究发现主要挑战为异构性、资源分配、通讯成本和公平性，常用的解决方案是改进随机选择算法并评估测试准确率与通讯轮数之间的关系。

Jun, 2023

基于多臂赌博机的联邦学习客户端调度

本文提出了一个基于多臂赌博机策略的在线客户端调度（CS）框架，用于减少联邦学习中数百到数千个通信轮延迟。两个基于上置信区间（UCB）策略的 CS 算法（CS-UCB 和 CS-UCB-Q）被提出以应对不理想的本地数据集的非独立、不平衡属性和客户可用性的变化。本文还分析了 FL 训练的收敛性能，并且模拟结果验证了所提出的算法的有效性。

Jul, 2020

移动联邦学习网络的多层客户端选择

提出了一种称为 SocFedCS 的新的基于 Lyapunov 优化的优化客户端选择方案，其通过信任网络在移动联邦学习网络中最小化成本并训练高质量的联邦学习模型，在四个真实世界的多媒体数据集上的实验表明，它的平均测试准确率比最佳基线高 2.06％，成本低 12.24％。

May, 2023

无线联邦学习网络中的客户端选择与带宽分配：长期视角

本文讨论在无线网络中的联邦学习，研究如何在联邦学习网络中优化资源分配，同时兼顾长期和短期的因素，提出一种新的算法来解决这一问题，并在实验中得到不错的表现。

Apr, 2020

个性化联邦学习的高效群集选择：一种多臂赌博机方法

本文介绍了一种受多臂赌博机方法启发的动态上界置信度算法 (dUCB)，以解决个性化联邦学习中用户聚类的复杂性问题，特别在动态网络中，该算法平衡了探索与利用，使新用户能够有效地找到适合其数据分布的最佳聚类，并在各种情况下评估了算法的性能，展示了其在处理动态联邦学习场景中的有效性。

Oct, 2023

从学习到分析：通过目标导向的客户选择提高模型效能

通过闭环模型分析框架，我们提出了一种解决基于模型分析框架的目标导向客户选择问题的算法，并推导出了所提算法的两个遗憾上界，数值结果表明所提算法表现接近最优。

Mar, 2024