资源异构场景下事件触发联邦学习机制研究.pdfVIP

第14卷第1期Vol.14No.1

2025年1月网络新媒体技术Jan.2025

·学术研究·

资源异构场景下事件触发联邦学习机制研究∗

舒龙†

(山西大学物理电子工程学院太原030006)

摘要:联邦学习中中心服务器与各客户端之间频繁地进行模型参数交换,产生巨大的通信开销,如何减小通信开销成为了联

邦学习的研究热点。首先,通过引入事件触发的通信机制降低客户端与中心服务器之间的通信频率,从而降低联邦学习的通

信开销;考虑到客户端设备之间的资源异质性,根据各个设备的通信能力、计算能力、数据质量设置一个与资源异质性相关的

阈值,提出基于资源异质性的事件触发联邦平均算法(FedAvg-RHB)。其次,为了提高全局模型精度,采用全局模型重用策

略。最后,在MNIST数据集上对所提算法及其对比算法进行python仿真,通过对实验结果的对比分析,验证了所提算法是一

种降低联邦学习通信开销的有效算法。

关键词:通信开销,联邦学习,事件触发,资源异质性,模型重用

DOI:10.20064/ki.2095-347X.2025.01.002

ResearchonEvent-TriggeredFederatedLearningMechanismin

HeterogeneousResourceScenarios

SHULong†

(CollegeofPhysicsandElectronicEngineering,ShanxiUniversity,Taiyuan,030006,China)

Abstract:Modelparametersarefrequentlyexchangedbetweenthecentralserverandeachclientinfederatedlearning,whichgenerates

hugecommunicationcost,andhowtoreducethecommunicationcosthasbecomearesearchhotspotinfederatedlearning.Firstly,the

event-triggeredcommunicationmechanismisintroducedtoreducethecommunicationfrequencybetweentheclientandthecentralserv-

er,therebyreducingthecommunicationcostoffederatedlearning.Consideringtheresourceheterogeneitybetweenclientdevices,a

thresholdrelatedtoresourceheterogeneitywassetaccordingtothecommunicationability,computingpoweranddataqualityofeachde-

vice,andaResourceHeterogeneity-basedevent-triggeringstrategyintheFederatedAveragealgorithm(FedAvg-RHB)wasproposed.

Secondly,inordertoimprovetheaccuracyoftheglobalmodel,theglobalmodelreusestrategywasadopted.Finally,pytho