面向无线网络异构性与公平性的三层联邦学习方法研究.pdfVIP

摘要

摘要

随着物联网设备的爆炸式增长，其产生的数据规模较大且类型多样，具备良

好的实用价值。然而在大数据时代下，人工智能技术对私域数据的需求与敏感隐

私数据无法共享之间的矛盾日益凸显。联邦学习由于能在保证用户数据隔离的基

础上进行人工智能模型训练，在一定程度上缓和该矛盾，具备较高的研究价值。基

于云或基站的传统两层式联邦学习往往无法兼具低时延与高性能的特性。三层式

联邦学习虽然缓解了有限频谱资源下客户端的高通信成本问题，但也依然面临着

统计异构性、协作公平性与设备异构性三大挑战，导致全局模型收敛速度较慢的

问题。本文在三层联邦学习的基础上深入研究这三个挑战的解决方法，工作如下：

（1）针对统计异构性带来的收敛速度慢与模型性能差的问题，本文提出了一

种边缘辅助配对的联邦对比学习框架。为了利用边缘服务器向云服务器通信时的

客户端空闲时间，本文引入了边缘端至云端异步更新的方式，并基于模型相似性

对边缘端与客户端进行匹配。为了使本地训练提取到个性化的特征信息，在本地

更新的模型对比损失函数中加强了个性化特征提取能力。通过在三个广泛使用的

数据集上与当前基准方法进行比较，验证了该框架对全局模型精度的提升