GSFL：一种在资源受限的边缘计算场景中保护隐私的分组-分割联邦学习方法

《ACM Transactions on Autonomous and Adaptive Systems》：GSFL: A Privacy-preserving Grouping-Split Federated Learning Approach in Resource-constrained Edge Computing Scenarios

移动多媒体通信与5G及IoT推动边缘设备数据激增，但数据孤岛和隐私限制阻碍集中处理。联邦学习（FL）结合轻量分组、组内调度算法及分片学习（SL）提出GSFL算法，实验表明其在非独立同分布（Non-IID）场景下准确率优于FedAvg等，有效平衡隐私与计算效率。

　　

摘要

移动多媒体通信、5G技术和物联网（IoT）的发展促进了边缘设备（包括传感器、智能手机和可穿戴设备）的广泛使用。这产生了大量分布式数据，为深度学习带来了新的机遇。然而，这些数据被封闭在数据孤岛中，并包含敏感信息，因此在严格的隐私法规下难以进行集中处理。联邦学习（FL）通过实现协作学习同时保护隐私来提供解决方案。尽管如此，数据和设备的异构性使得FL的实现变得复杂。本研究提出了一种专为异构边缘计算设计的FL算法。该算法结合了针对同构设备的轻量级分组策略、组内的调度算法以及分割学习（SL）方法。这些改进提高了模型精度和训练速度，减轻了资源受限设备的负担，并增强了数据隐私保护。实验结果表明，在$\alpha =0.05$（代表极端非独立同分布（Non-IID）场景下的高度异构数据分布）条件下，GSFL的性能优于FedAvg和SplitFed，分别高出6.53倍和1.18倍。GSFL在隐私保护和计算效率之间实现了有效平衡，适用于移动多媒体通信的实际应用。