通过个性化事件触发机制实现资源受限的去中心化联邦学习

《IEEE Transactions on Networking》：Resource-Constrained Decentralized Federated Learning via Personalized Event-Triggering

联邦学习去中心化框架中，基于设备间D2D网络的协同共识模型，提出事件触发的异步通信机制解决无中心服务器场景。通过资源异构性和统计多样性的个性化触发条件，理论证明其渐近收敛率优于传统DGD方法，数值实验验证了收敛速度和通信效率的提升。

　　

摘要：

联邦学习（FL）是一种将机器学习（ML）技术分布在一系列边缘设备上的流行方法。在本文中，我们研究了完全去中心化的联邦学习机制，其中设备不仅会在本地进行训练，还会通过设备间的（D2D）网络进行模型聚合，以实现协作共识的形成。为了应对无法访问中央服务器的情况，我们引入了异步、事件触发的设备间通信方式。为了考虑联邦学习中固有的资源异质性和统计多样性挑战，我们在每个设备上定义了个性化的通信触发条件，这些条件会根据本地模型参数的变化与可用的本地网络资源进行权衡。从理论上讲，我们证明了在所提出的方法框架下，去中心化梯度下降（DGD）方法的收敛速率可以达到O(lnk?√