Communication-Efficient Federated Learning for Wireless Edge Intelligence in IoT
概述
这篇论文的脉络是比较清晰的,讲的就两件事:
- 使用分布式的Adam优化来代替传统的FedAvg,减少通信轮次
- 对模型进行压缩和解压缩,减少通信开销
算法
框架图
整个算法的步骤如上图所示:
- 下载模型
- 本地训练
- 模型压缩
- 上传模型
- 模型解压
- 模型聚合
从这里可以看到该论文提出的框架与传统的联邦框架并没有什么不同,唯二的区别在以下两个方面:
- 本地训练使用的方法并不是SGD,而是AdamSGD,这两者的区别在于训练的步长是否发生变化
- 在客户端上多了一个压缩模型的操作,相对应地在服务器上多了一个解压缩的操作
客户端
上图展示了客户端的本地训练、更新参数、压缩模型等操作,首先27行表示的是客户端从服务器上下载模型到本地;28-34行表示每个客户端都使用AdamSGD方法来进行训练;35-40行是客户端在本地对需要上传的模型参数进行压缩。压缩的方式有两种,分别是Uniform Quantization (UniQ)
和Exponential Quantization (ExpQ)
,由于我对于这些压缩/解压缩的算法不太熟悉,因此想要深入了解的可以找原论文看看…
服务器
与传统的FL一样,每一轮服务器都会选客户端的一部分子集来进行训练(line 5),然后在6-18行,服务器使用相对应的解压缩方式来对上传的模型进行解压,并在20-22行,使用解压之后的模型参数来更新全局模型
压缩和解压缩
一共有两种对应的压缩/解压缩方式,分别是平均量化Uniform Quantization (UniQ)
和指数量化Exponential Quantization (ExpQ)
,有兴趣的可以看下原论文研究一下
总结
这篇论文所介绍的方法和所要解决的问题都是比较直接。文章的目标主要是达到两个目标:1.减少通信轮次。2.减少通信开销。然后使用的方法也是两种:1.AdamSGD。2.压缩/解压缩。
看下来的话有几点感受:
- 好像IoT场景下的联邦跟普通场景下的联邦并没有什么太大的差别
- 虽然这种压缩/解压缩的方式确实可以减少一部分的通信开销,因为确实能减少参数的数量,但也不可避免地对模型的参数造成一些损失。但我也想不到有更好的办法,因为这只是仅仅在模型参数层面上进行优化。其他的一些做法是对模型进行分段,然后在服务器上对应地分段聚合。目前主流的做法好像就这两种
- 这篇文章用的AdamSGD方法也是现有的一种算法,好像算不上一种创新?并且在这片文章并没有对该算法在FL场景下进行改进,一开始我是抱着这种期待来看这篇文章的…
Communication-Efficient Federated Learning for Wireless Edge Intelligence in IoT相关推荐
- 论文阅读:On Dynamic Resource Allocation for Blockchain Assisted Federated Learning over Wireless Channel
论文阅读:On Dynamic Resource Allocation for Blockchain Assisted Federated Learning over Wireless Channel ...
- Federated Learning in Mobile Edge Networks: AComprehensive Survey(翻译)
名词:联邦学习(FL).ML.MEC BAA(宽带模拟聚合).CNN(卷积神经网络).CV(计算机视觉). DDQN(双深度Q网络).DL(深度学习)DNN(深度神经网络). DP(差分隐私).DQL ...
- 【阅读笔记】Towards Personalized Federated Learning个性化联邦综述
文章目录 前言 1 背景 1.1 机器学习.联邦学习 1.2 促进个性化联邦学习的动机 2 个性化联邦学习的策略 2.1 全局模型个性化 2.1.1 基于数据的方法 2.1.1.1 数据增强 Data ...
- ICLR2021 - Federated Learning Paper
Federated Semi-Supervised Learning With Inter-Client Consistency & Disjoint Learning 提出的问题很有意思 P ...
- 【论文阅读】一种包含同态加密、差分隐私、多方安全计算的FL隐私保护框架 Efficient and Privacy-Enhanced Federated Learning for Industrial
本文来自:Efficient and Privacy-Enhanced Federated Learning for Industrial Artificial Intelligence 本文提出了一 ...
- 2.Paper小结——《Privacy-preserving blockchain-based federated learning for traffic flow prediction》
题目: 基于区块链的基于隐私保护的交通流量预测的联邦学习 0.Abstract: 交通流量预测已成为智能交通系统的重要组成部分.然而,现有的基于集中式机器学习的交通流量预测方法需要收集原始数据以进行模 ...
- 【全文翻译】Edge Intelligence: Paving the Last Mile of Artificial Intelligence With Edge Computing
Edge Intelligence:Paving the Last Mile of Artificial Intelligence With Edge Computing I.INTRODUCTION ...
- 【Paper Reading】BatchCrypt: Efficient Homomorphic Encryption for Cross-Silo Federated Learning
BatchCrypt: Efficient Homomorphic Encryption for Cross-Silo Federated Learning 原文来源:[ATC 2020] Batch ...
- 论文笔记:联邦学习——Federated Learning: Strategies for Improving Communication Efficiency
Federated Learning: Strategies for Improving Communication Efficiency 文章目录 Federated Learning: Strat ...
最新文章
- linux的as编译文件,Ubuntu Linux14 64位下在Android studio下用gradle编译Andrid项
- pca算法介绍及java实现_PCA算法原理及实现
- android log 如何获取double类型后小数点的值_【ES6基础】Symbol介绍:独一无二的值...
- 多元线性回归(java实现)
- C++新经典——C++从入门到精通
- Bailian2748 全排列【全排列】(POJ NOI0202-1750)
- 【POJ3349】Snowflake Snow Snowflakes(哈希表判重,维护一个集合)
- 2022祥云杯crypto部分
- 网络安全知识竞赛选择题(31-60题)
- 浅谈LBP原理和代码(基于Python)
- 8421BCD码与十进制的转换
- 项目管理论文十大领域各一篇
- 测试化妆品真假软件,查询化妆品真伪的app叫什么
- 杭电1069 Monkey and Banana
- PHP接入微信官方支付(native·APIv3)
- 现在流行的网络直播都需要什么设备?
- 中国生活垃圾处理行业十四五规划与投融资模式分析报告2022~2028年
- 如何从一名“普通码农”成长为技术Leader?
- 渗透测试笔试面试题目汇总
- 作为站长需要的几项基本技能