一种用于物联网（IoV）中联邦学习的多目标联合设备选择与聚合方案

《ACM Transactions on Sensor Networks》：A Many-objective Joint Device Selection and Aggregation Scheme for Federated Learning in IoV

针对车联网中联邦学习面临的多设备异构性挑战及资源浪费问题，本文提出基于多目标进化算法的设备筛选与聚合联合优化模型，利用BiGE算法确定最优设备子集和权重分配，在降低80%以上参与设备的同时保证模型性能。实验验证了该模型在计算效率、通信开销和模型精度方面的优势。

　　

摘要

先进的移动通信和数据处理技术推动了物联网（IoT）的发展，但同时也给车辆物联网（IoV）领域的分布式联邦学习模式带来了挑战。在IoV中，由于有大量的车辆节点可用于联邦训练，当需要动员大量车辆参与时，联邦学习任务变得颇具挑战性。IoV中联邦学习面临的一个难点是由于设备数量众多而导致的异构性问题。此外，大量质量较差的设备参与联邦训练所带来的过高资源和系统维护成本也不容忽视。为了解决这些问题，本文提出了一种基于多目标进化算法的车辆设备选择与聚合联合优化模型。该模型可通过BiGE算法进行优化，以获得最优的车辆设备子集及相应的权重分配方案，从而减少不必要的资源浪费和预算支出，同时确保全局模型的性能。为了验证该模型的可行性，我们进行了多组实验，结果表明该模型在大幅减少参与者数量的同时仍能保持良好的性能。