科研之友
微信
新浪微博
Facebook
分享链接
摘要
联邦边缘学习无需传输本地数据，在保护用户隐私的基础上，大大降低了上行链路压力。联邦边缘学习通过智能边缘设备，利用本地数据集训练局部模型后上传模型参数至中心服务器；中心服务器聚合本地上传的局部模型参数形成全局模型后进行更新，然后将更新后的模型下发给智能边缘设备开始新一轮迭代。但是局部模型精度以及局部模型训练时间，对全局模型聚合以及模型更新过程会产生重大影响。因此提出自适应动态批量梯度下降策略，在局部模型训练过程中自动调整梯度下降抽取的批量大小，优化联邦学习的局部模型精度及收敛速度。针对用户数据的非独立同分布特性，设计一种联合双维度用户调度策略的自适应动态批量梯度下降算法，通过收敛时间和数据多样性进行双维度约束。经MNIST数据集、fashion MNIST数据集和CIFAR-10数据集的训练测试，算法在有效降低聚合等待时间的同时能够进一步提高全局模型精度和收敛速度。与固定批量为64、128、256的梯度下降算法相比，该算法的全局模型精度在运行100 s时提升分别为32.4%、45.2%、87.5%。
- 单位
