更新时间:2021-12-17 GMT+08:00
分享

节点选择算法

背景信息

大规模边缘节点进行联邦汇聚(如10000+终端设备),考虑到通信代价,通常每轮只允许部分边缘节点参与联邦。如何既能保证联邦系统性能,又能减少通信带宽,合理地挑选边缘节点成了解决问题的关键。目前,本框架支持如下两种节点选择算法。

算法1:随机策略

实现原理:顾名思义,根据指定参与联邦的节点数m, 每轮server等概率地随机挑选m个边缘节点进行联邦。

算法优势:过程简单,易于实现,对场景无特殊要求。

算法劣势:效果不一定最佳,无法排除不良用户数据对联邦产生的负影响。

算法2:误差减少策略

实现原理:引入评价机制,每轮边缘节点会分别对联邦模型进行评价和反馈,server根据反馈的评价值,优先挑选能使联邦模型误差越来越小的有效节点(占比为1-P),再从剩余的边缘节点中随机挑选(占比为P)。

算法优势:考虑了边缘节点数据差异对联邦效果的影响,优先挑选对联邦有益并有价值的节点进行联邦。与随机策略相比,相同联邦效果下,能减少联邦汇聚的轮次。

算法劣势:评价值的传递,存在泄露边缘节点隐私的可能,因此评价函数的定义尤为重要。

参考论文:Goetz J, Malik K, Bui D, et al. Active Federated Learning[J]. arXiv preprint arXiv:1909.12641, 2019.

分享:

    相关文档

    相关产品

close