WICS客户端选择算法

训练损耗有效降低

基于信息年龄和Whittle指数理论，该算法能实时选择数据集最新的客户端参与联邦学习，从而在预算约束下最小化全局模型损失。

Xu, Yin · 肖明军 · 75292640 · Wu, Jie · Jinrui, Zhou · He, Sun

Journal of Computer Science and Technology 2024

技术优势

预算内损失最小

通过将客户端选择建模为 RMAB 问题并利用 Whittle 指数，算法在给定预算下近似最小化全局模型损失。

保证收敛

论文推导了 AoI 感知联邦学习的收敛界，为客户端选择策略提供了理论性能保证，而非仅有经验结果。

实测精度更高

仿真结果表明，与现有先进方法相比，所提算法能有效降低训练损失并提高学习精度。

应用场景

• 联邦学习客户端选择：在数据动态更新的联邦学习场景中，以预算约束下的最优客户端选择替代传统策略，降低全局模型损失。
• 分布式机器学习：为分布式机器学习提供基于信息新鲜度的客户端调度机制，理论上保证收敛并降低损失。
• 边缘计算：在边缘节点资源有限的条件下，利用AoI选择数据最新的客户端参与训练，提升模型精度。