AccFed：物联网中基于模型分割的联邦学习加速

作者：曹绍华^*; 陈辉; 陈舒; 张汉卿; 张卫山

来源：电子与信息学报, 2023, 45(05): 1678-1687.

• 边缘智能
• 联邦学习
• 端边云协同
• 模型分割

随着物联网(IoT)的快速发展，人工智能(AI)与边缘计算(EC)的深度融合形成了边缘智能(Edge AI)。但由于IoT设备计算与通信资源有限，并且这些设备通常具有隐私保护的需求，那么在保护隐私的同时，如何加速Edge AI仍然是一个挑战。联邦学习(FL)作为一种新兴的分布式学习范式，在隐私保护和提升模型性能等方面，具有巨大的潜力，但是通信及本地训练效率低。为了解决上述难题，该文提出一种FL加速框架AccFed。首先，根据网络状态的不同，提出一种基于模型分割的端边云协同训练算法，加速FL本地训练；然后，设计一种多轮迭代再聚合的模型聚合算法，加速FL聚合；最后实验结果表明，AccFed在训练精度、收敛速度、训练时间等方面均优于对照组。

• 单位
  中国石油大学（华东）