利用移动GPU异构并行计算实现高效联邦训练的算法设计与实证分析.pdfVIP

利用移动GPU异构并行计算实现高效联邦训练的算法设计与实证分析1

利用移动GPU异构并行计算实现高效联邦训练的算法设

计与实证分析

1.引言

1.1研究背景与意义

随着人工智能技术的飞速发展，联邦学习作为一种分布式机器学习方法，逐渐成为

解决数据隐私保护和数据孤岛问题的重要手段。在联邦学习中，多个客户端（如移动设

备）协作训练全局模型，而无需共享本地数据，从而在保护隐私的同时实现模型的优化。

然而，移动设备的计算资源有限，尤其是CPU性能不足，导致联邦训练过程效率低下。

移动GPU（图形处理单元）具有强大的并行计算能力，能够有效加速计算任务。因此，

利用移动GPU异构并行计算实现高效联邦训练具有重要的研究意义。

•数据隐私保护需求：在大数据时代，数据隐私和安全问题日益突出。联邦学习通

过在本地设备上进行模型训练，避免了数据的集中存储和传输，从而有效保护了

用户数据隐私。例如，在医疗领域，患者的医疗数据涉及个人隐私，利用联邦学

习可以在不共享数据的情况下，联合多家医院的设备训