异构编码联邦学习

作     者：史洪玮 洪道诚 施连敏 杨迎尧 SHI Hongwei;HONG Daocheng;SHI Lianmin;YANG Yingyao

作者机构：宿迁学院信息工程学院江苏宿迁223800 华东师范大学上海智能教育研究院&计算机科学与技术学院上海200062 苏州大学计算机科学与技术学院江苏苏州215008 武夷学院认知计算与智能信息处理福建省高校重点实验室福建武夷山354300 

基　　金：国家自然科学基金(61977025) 2021年度江苏省重点研发计划(现代农业)项目(BE2021354) 2020宿迁市项目(Z2020133) 2021宿迁市现代农业项目(L202109) 福建省高校重点实验室开放课题基金(KLCCIIP2021201) 苏州市科技计划项目(SNG201908) 

出 版 物：《华东师范大学学报（自然科学版）》 (Journal of East China Normal University(Natural Science))

年 卷 期：2023年第5期

页      码：110-121页

摘      要：异构联邦学习系统中的个人电脑、嵌入式设备等多种边缘设备,存在资源受限的掉队者设备降低联邦学习系统训练效率的问题.针对此问题,本文提出了异构编码联邦学习(heterogeneous coded-based federated learning,HCFL)系统框架,以实现:(1)提高系统训练效率,加快多掉队者场景下的异构联邦学习(federated learning,FL)训练速度;(2)提供一定级别的数据隐私保护.HCFL方案分别从客户端和服务器角度出发设计了调度策略,以满足通用环境下多掉队者模型计算加速;同时设计了线性编码计算方案(linear coded computing,LCC)为任务分发提供数据保护.实验结果表明,当异构FL中设备之间性能差异较大时,HCFL能够将训练时间缩短89.85%.

主 题 词：联邦学习 线性编码 异构系统 调度算法 

学科分类：12[管理学] 1201[管理学-管理科学与工程类] 081104[081104] 08[工学] 0835[0835] 0811[工学-水利类] 0812[工学-测绘类] 

D　O　I：10.3969/j.issn.1000-5641.2023.05.010

馆 藏 号：203123389...