机构名称：
¥ 1.0
research p oster s ummary联合学习（FL）系统[5]允许培训机器学习模型分布在多个客户端，每个客户都使用私人数据。传统上，在几轮中，FL执行三个步骤直到停止条件发生：1。服务器将全局模型权重发送给客户端； 2。每个客户端在本地使用私人数据训练模型，并将其权重发送给服务器；和3。服务器合并了客户端的权重，以制定改进的全局模型。由于资源和数据的异质性，客户选择在FL系统的功效[1]，[2]，[6]，[8]，[8]，[11] - [14]中起着至关重要的作用。训练回合所花费的时间由最慢的客户确定。此外，能源消耗和碳足迹也被视为主要问题。在这种情况下，我们提出了FL：MEC和ECMTC的两种最佳时间和能源的客户选择算法。第一个将训练时间和总能量消耗最小化，而第二个则逆转了两个指标之间的优先级，同时还要满足截止日期。尽管相关工作的贡献，但据我们所知，这项工作是第一个提出算法，通过共同优化执行时间和能源消耗，同时定义每个客户应在本地使用多少数据，从而使具有异质资源的客户选择算法。在我们的方法中，客户选择被建模为必须分配给一组客户端r的任务t数。每个客户端I具有一组分配容量（A I），其中任务象征着本地数据单位。此外，我有时间（P I）和能量（E I）成本与其分配的任务数（X I）相关的每个客户端。给定的一轮具有与其所选客户端相关的pan和en gy的费用，分别表示为优化目标c max和σe，它们定义为c max：= maxi∈Rp i（x i）和σe：= p
联合学习的最佳客户选择算法
主要关键词
相关文件推荐
