基于在线双边拍卖的分层联邦学习激励机制
在分层联邦学习中,能量受限的移动设备参与模型训练会消耗自身资源.为了降低移动设备的能耗,文中在不超过分层联邦学习的最大容忍时间下,提出了移动设备能耗之和最小化问题.不同训练轮次的边缘服务器能够选择不同的移动设备,移动设备也能够为不同的边缘服务器并发训练模型,因此文中基于在线双边拍卖机制提出了ODAM-DS算法.基于最优停止理论,支持边缘服务器在合适的时刻选择移动设备,使得移动设备的平均能耗最小,然后对提出的在线双边拍卖机制进行理论分析,证明其满足激励相容性、个体理性、弱预算均衡约束等特性.模拟实验的结果证明,ODAM-DS算法产生的能耗比已有的HFEL算法平均降低了19.04%.
分层联邦学习;能耗最小化;在线双边拍卖;最优停止理论;激励机制设计
49
TP393(计算技术、计算机技术)
国家自然科学基金;北京市青年拔尖人才项目;网络与文化传播北京市重点实验室开放课题
2022-03-22(万方平台首次上网日期,不代表论文的发表时间)
共8页
23-30