面向联邦少样本学习的自适应设备选择框架AdaptFFSL-DS：兼顾准确性与延迟的优化方法

《Scientific Reports》：An adaptive federated few-shot learning method with intelligent device selection

　　

摘要

联邦学习能够通过不传输数据、仅依赖于分布式设备的计算能力来训练智能模型，但在少样本场景中由于数据异质性、资源约束和收敛缓慢面临重大挑战。主要障碍在于参与设备的最优选择，因为次优的选择会降低模型准确性并大幅增加延迟。在本研究中，我们提出了 AdaptFFSL-DS，一种用于联邦少样本学习的自适应决策框架。通过将 ResFed 作为本地模型与智能设备选择代理相结合，该方法首先评估每个设备的系统级和统计特征，然后为每个学习轮次选择适当的设备子集。此外，通过自适应调整本地轮次数量，该框架在准确性和延迟之间保持了有效的平衡。实验结果表明，提出的方法在不明显损失准确性的情况下，将估计的总设备延迟减少了近三分之一，并且与智能调优的 FedProx 相比，准确性提高了高达 11.88%。此外，AdaptFFSL-DS 在各种形式的异质性下保持稳健，对设备数量增加表现出低敏感性，甚至在有限数据条件下也保持有效性。