Venn：联邦学习任务的资源管理

Dec, 2023

Venn: Resource Management Across Federated Learning Jobs

Jiachen Liu, Fan Lai, Ding Ding, Yiwen Zhang, Mosharaf Chowdhury

TL;DR本文介绍 Venn，一种 FL 资源管理器，旨在通过解决资源争用问题和优化调度算法来减少平均作业完成时间，并通过减少延迟来优化响应收集时间。与现有的 FL 资源管理器相比，Venn 在平均作业完成时间上提升了最多 1.88 倍。

Abstract

In recent years, federated learning (FL) has emerged as a promising approach for machine learning (ML) and data science across distributed edge devices. With the increasing popularity of FL, resource contention b

federated learning resource contention fl resource manager average job completion time scheduling delay

发现论文，激发创造

跨设备联邦学习的多任务智能调度

本研究提出了一个新颖的多工作联邦学习框架，通过智能调度方法实现了分散数据的并行训练过程，实验证明相比基线方法，其训练时间更快（最高可达 12.73 倍）且准确率更高（最高 46.4%）。

Nov, 2022

最小化能耗的联邦学习调度算法

本文主要解决采用联邦学习模型时，如何通过控制工作负载分配，最小化异构设备上的能源消耗问题。作者提出了一种基于伪多项式的最优解决方案，并针对单调递增的情况提出了四种算法。

Sep, 2022

资源有效的异构和资源受限环境下的联邦学习

在本文中，我们提出了一种名为 RE-FL 的新方法，该方法解决了资源受限设备中计算和通信挑战的问题。我们的可变修剪技术通过根据每个客户端的计算能力进行修剪来优化资源利用。我们还使用知识蒸馏来减少带宽消耗和通信轮次。对图像分类任务的实验结果证明了我们的方法在资源受限环境中保持数据隐私和性能的有效性，同时适应了异构模型架构。

Aug, 2023

无线网络上的联邦学习：收敛分析和资源分配

提出了一种处理异构用户设备数据的联邦学习算法，同时结合对微波资源分配问题的优化，实现了收敛速率和能耗之间的平衡，并用 Tensorflow 实验验证了该算法的理论分析和优化表现。

Oct, 2019

多任务联合学习的公平性感知工作调度

基于 Lyapunov 优化，提出了首个公平感知的联邦作业调度（FairFedJS）方法，确保对高需求的联邦学习客户端数据集进行公平分配，以防止长时间等待。通过在两个数据集上与四种最先进的方法进行广泛实验证明，相较于最佳基准线，其在调度公平性和收敛时间方面分别提高了 31.9％和 1.0％，同时实现了可比较的测试准确性。

Jan, 2024

基于物联网边缘设备的联邦学习实证研究：资源分配与异构性

本文通过在大量物联网和边缘设备网络上系统地进行广泛实验，重点关注异构情况，以探究在设备上实施联合学习的可行性，并呈现了其现实世界的特征，包括学习性能和操作成本，为研究人员和从业者提供有价值的见解，促进联邦学习的实用性，并帮助改进现有的联邦学习系统设计。

May, 2023

无线联合学习中低延迟设备调度和资源分配

本文基于对计算能力和通信资源的有限制约束，提出了一种联邦学习的设备调度和资源分配策略，该策略通过低限性能损失的界限，将准确性最大化问题拆分为两个子问题，并通过贪心设备调度算法进行解决。实验证明，该策略在各种数据分布和小区半径下均优于现有调度策略。

Jul, 2020

无线联邦学习中快速收敛的设备调度

本文以联邦学习为背景，提出一种联合带宽分配和设备调度问题的解决方案，该方案通过一个贪心算法和运行时间预算中定向分配宽带的优化模型实现，从而在模型精度和训练时间预算方面实现了最好的性能表现。

Nov, 2019

物联网分层联邦学习中的设备调度和分配

提出了改进的 K-Center 算法用于设备调度，并引入了基于深度强化学习的方法来分配物联网设备给边缘服务器，证明了在进行 Hierarchical FL 时，调度 50% 的物联网设备通常足以实现收敛，同时延迟和能耗明显降低，而在追求绿色人工智能以及减少消息传输方面，调度 30% 的物联网设备能够在保持模型准确度的同时大幅减少能耗和消息量。

Feb, 2024

无线网络联邦学习的调度策略

本文基于一个分析模型，研究了联邦学习在无线网络中的性能表现和调度策略，并发现在高信噪比下使用比例公平调度策略会比随机调度和轮询调度策略更有效，而在低信噪比下轮询调度策略更为可取。同时发现了更新参数的压缩和量化在提高联邦学习收敛速度方面的重要性，并揭示了在可用频谱量不变的情况下调度的用户数和子信道带宽之间的权衡关系。

Aug, 2019