FedDCT: A Dynamic Cross-Tier Federated Learning Scheme in Wireless Communication Networks

要約

モノのインターネット (IoT) デバイスの急速な普及と、データ プライバシーに対する国民の関心の高まりに伴い、フェデレーテッド ラーニング (FL) はプライバシーを保護する機械学習パラダイムとして大きな注目を集めています。
FL を使用すると、ローカル データを公開することなく、クライアント間でグローバル モデルをトレーニングできます。
ただし、フェデレーテッド ラーニング システムが無線通信ネットワーク上で実行される場合、限られたワイヤレス リソース、クライアントの異質性、およびネットワーク送信障害がそのパフォーマンスと精度に影響を与えます。
この研究では、無線通信ネットワークにおけるトレーニングの精度とパフォーマンスを向上させるために、FedDCT と呼ばれる新しい動的クロスティア FL スキームを提案します。
当社では、特定の指標に従ってクライアントを異なる階層に動的に分割し、各階層に特定のタイムアウトしきい値を割り当てる階層化アルゴリズムを利用して、必要なトレーニング時間を短縮します。
トレーニング時間を増加させることなくモデルの精度を向上させるために、層と参加者を効果的に選択できるクロス層クライアント選択アルゴリズムを導入します。
シミュレーション実験は、私たちのスキームがモデルをより速く収束させ、無線通信ネットワークにおいてより高い精度を達成できることを示しています。

要約(オリジナル)

With the rapid proliferation of Internet of Things (IoT) devices and the growing concern for data privacy among the public, Federated Learning (FL) has gained significant attention as a privacy-preserving machine learning paradigm. FL enables the training of a global model among clients without exposing local data. However, when a federated learning system runs on wireless communication networks, limited wireless resources, heterogeneity of clients, and network transmission failures affect its performance and accuracy. In this study, we propose a novel dynamic cross-tier FL scheme, named FedDCT to increase training accuracy and performance in wireless communication networks. We utilize a tiering algorithm that dynamically divides clients into different tiers according to specific indicators and assigns specific timeout thresholds to each tier to reduce the training time required. To improve the accuracy of the model without increasing the training time, we introduce a cross-tier client selection algorithm that can effectively select the tiers and participants. Simulation experiments show that our scheme can make the model converge faster and achieve a higher accuracy in wireless communication networks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google