边缘场景下动态权重的联邦学习优化方法

摘要：

边缘计算(Edge Computing)作为一种新的计算范式,在网络边缘提供计算服务,相比传统的云计算模式,它具有高可信、低延迟等特点,在各行各业中有着广阔的应用前景,但在隐私保护和数据处理上仍存在一些问题.而联邦学习作为一种分布式的机器学习技术,能很好地解决边缘计算场景下数据分布不一致和数据隐私问题,但仍面临设备异构、数据异质及通信方面的挑战,如模型偏移、收敛效果差、部分设备计算结果丢失等问题.为解决上述问题,提出动态权重的联邦学习优化算法(FedDw).该算法关注设备的服务质量,减少训练速度不一致导致部分设备参与带来的异构性影响,并根据服务质量确定在最终模型聚合时的占比,从而确保聚合的结果在复杂的真实情况下更具有鲁棒性.在10个地区气象站的真实数据集上与FedProx和Scaffold这两种典型的联邦学习算法进行了对比,实验结果表明FedDw算法具有更好的综合性能.

关键词：联邦学习、边缘计算、风能预测、设备异构、动态权重

所属期刊栏目：49

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金;四川省科技计划重点研发项目;四川省科技计划重点研发项目;四川省科技计划重点研发项目;四川省科技计划重点研发项目;四川省科技计划重点研发项目;四川省科技计划重点研发项目;四川省科技计划重点研发项目;四川省科技计划重点研发项目

在线出版日期：2022-12-29（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：53-58