分布式联邦学习结合联盟博弈在物联网中的应用

摘要

联邦学习作为一种新兴的分布式机器学习范式，在物联网应用中能有效保护数据隐私，但仍存在模型更新效率低和实时性差等问题。为此，提出将分布式联邦学习与联盟博弈相结合的新模型，在该模型中客户端通过权衡形成联盟的收益和成本合作进行联邦学习。由于物联网中设备资源的有限性，提出在联盟中选择领导者协调训练过程。为了引导客户端自适应地形成联盟，同时确保更新模型的精度和效率，设计了一种分布式联盟形成算法。通过联盟合并和拆分操作的不断执行，寻找到最终的联盟分区，最大化合作设备的效用。为了实现联盟成本的公平分配，提出了一种成本分摊机制，维持算法给定结果的稳定性。最后，通过与其他策略的实验对比分析，验证了所提出模型的有效性。

关键词

联邦学习 / 模型更新效率 / 联盟博弈 / 选择领导者 / 分布式联盟形成

基金资助

山西省基础研究计划自然科学研究面上资助项目（202103021224024）;山西省基础研究计划青年科学研究资助项目（202103021223021）; 山西省重点研发计划资助项目（202202020101004）