Tag: 联邦学习

联邦学习设备调度的论文被 ICDCS 2022 接收

黄华威，李瑞新，2022年4月6日

近日，HuangLab 在联邦学习设备调度方面的研究取得进展，论文《ContexFL: Context-aware Federated Learning by Estimating the Training and Reporting Phases of Mobile Clients》被分布式计算系统领域顶级学术会议 The 42nd IEEE International Conference on Distributed Computing Systems (ICDCS 2022) 录用为长文。

会议介绍

ICDCS 是分布式计算系统领域享有盛誉和具有重要学术影响力的顶级国际学术会议，本届 ICDCS 会议 Research Track 论文全球投稿共573篇，仅有114篇被录用，录用率为19.9%。

论文介绍

Huawei Huang, Ruixin Li, Jialiang Liu, Sicong Zhou, Kangying Lin, and Zibin Zheng, “ContextFL: Context-aware Federated Learning by Estimating the Training and Reporting Phases of Mobile Clients”, ICDCS, 2022.

在边缘计算的环境中，由于边缘网络的情况和各种物联设备的可用算力是频繁变化、波动较大的，跨设备的横向联邦学习的训练效果往往较大程度上受到设备的网络情况和可用计算资源的影响。传统的横向联邦学习设备调度方法着重考量当前设备的状态（网络、算力等），但面对网络和算力频繁变化、波动较大的环境之时，便难以维持联邦学习训练的稳定性与可靠性，从而造成联邦学习所训练的模型性能浮动较大的现象。

论文提出的 ContextFL 框架

本文针对上述现象，提供了一种可行的解决思路：为充分考虑边缘计算环境的不稳定性因素影响，本研究通过结合各设备当前以及预测的未来一段时间内的网络与算力状态进行设备调度，从而确保参与联邦学习的设备都是可靠的有效设备，以此提高边缘计算环境中联邦学习训练效果的稳定性与可靠性。