COLONY:基于合作博弈与资源感知的去中心化个性化学习框架
《IEEE Open Journal of the Computer Society》:Colony: Robust Personalized ML with Contribution-Driven Connectivity and Resource Allocation in P2P Networks
【字体:
大
中
小
】
时间:2026年09月20日
来源:IEEE Open Journal of the Computer Society 6.0
编辑推荐:
摘要:去中心化个性化学习(DPL)是一种新兴范式,它使节点能够在点对点网络上训练个性化模型,而无需共享数据或依赖中央服务器。然而,节点通常连接到一组动态的邻居节点,且事先无法了解其数据集质量、可靠性、通信效率或对抗行为。为了确保在最少资源消耗的情况下实现收敛,先前的研究往往
摘要:
去中心化个性化学习(DPL)是一种新兴范式,它使节点能够在点对点网络上训练个性化模型,而无需共享数据或依赖中央服务器。然而,节点通常连接到一组动态的邻居节点,且事先无法了解其数据集质量、可靠性、通信效率或对抗行为。为了确保在最少资源消耗的情况下实现收敛,先前的研究往往依赖通过协调器(例如基站)进行集中式优化,这在大规模动态网络中需要大量计算。在本工作中,我们将DPL建模为一个合作博弈,其中节点在资源预算约束下寻求最大化学习效用。为此,我们提出了COLONY,一个完全去中心化的框架,该框架(i)基于邻居节点的估计Shapley值分配贡献分数,由一个惩罚有害更新的效用函数驱动;(ii)计算一个结合链路可靠性、时延和能耗的效率分数,用于资源感知的邻居选择。这些分数共同使节点能够在每个训练轮次中优化其邻居网络的有效性和效率,从而消除了对每轮全局优化的需求。我们在MNIST和CIFAR-10上的实验表明,COLONY在存在噪声或拜占庭邻居节点的情况下能够保持个性化和鲁棒性,同时与拓扑无关的基线相比显著降低了带宽和能耗。具体而言,即使在45%的拜占庭节点存在的情况下,COLONY仍能保持稳定的收敛速率,并将传输能耗降低了最高三倍,且可根据每个节点的能耗和带宽预算进一步调整。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号