Multi-Tier Client Selection for Mobile Federated Learning Networks

要約

リソースに制約のあるモバイルデバイスでモデルを分散して学習させることで、データのプライバシー問題に対処するFederated Learning（FL）は、大きな研究関心を集めている。しかし、デバイスが互いのカバー範囲を出入りし、すべてのデータ所有者を知っているFLサーバーが存在しないモバイル連携学習ネットワーク（MFLN）におけるFLクライアント選択を最適化する問題は、依然として未解決です。このギャップを埋めるために、我々は、コストを最小化し、高品質のFLモデルを訓練するための、世界で初めての⾵声認識型クライアント選択（SocFedCS）アプローチを提案します。SocFedCSは、デバイスが互いのカバレッジに入ったり出たりする場合でも、データ所有者が信頼できるローカルネットワークを通じてFLタスク情報を伝播できるようにすることで、FLクライアント候補プールを充実させる。Lyapunov最適化に基づき、まず、この時間結合問題をステップバイステップの最適化問題に変換する。そして、この混合整数最適化問題を解くために、交互最小化と自己適応型グローバルベスト調和探索に基づく方法を設計する。SocFedCSを4つの実世界のマルチメディアデータセットに基づく5つの最先端アプローチと比較する大規模な実験により、ベストパフォーマーのベースラインよりも平均で2.06%高いテスト精度と12.24%低いコストを達成することが実証された。

要約(オリジナル)

Federated learning (FL), which addresses data privacy issues by training models on resource-constrained mobile devices in a distributed manner, has attracted significant research attention. However, the problem of optimizing FL client selection in mobile federated learning networks (MFLNs), where devices move in and out of each others’ coverage and no FL server knows all the data owners, remains open. To bridge this gap, we propose a first-of-its-kind \underline{Soc}ially-aware \underline{Fed}erated \underline{C}lient \underline{S}election (SocFedCS) approach to minimize costs and train high-quality FL models. SocFedCS enriches the candidate FL client pool by enabling data owners to propagate FL task information through their local networks of trust, even as devices are moving into and out of each others’ coverage. Based on Lyapunov optimization, we first transform this time-coupled problem into a step-by-step optimization problem. Then, we design a method based on alternating minimization and self-adaptive global best harmony search to solve this mixed-integer optimization problem. Extensive experiments comparing SocFedCS against five state-of-the-art approaches based on four real-world multimedia datasets demonstrate that it achieves 2.06\% higher test accuracy and 12.24\% lower cost on average than the best-performing baseline.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL