AccFed：物联网中基于模型分割的联邦学习加速

来源：电子与信息学报杂志2023年第5期北京时间：

作者：曹绍华, 陈辉, 陈舒, 张汉卿, 张卫山

单位：中国石油大学(华东)计算机科学与技术学院 青岛 266580

摘要：随着物联网(IoT)的快速发展，人工智能(AI)与边缘计算(EC)的深度融合形成了边缘智能(Edge AI)。但由于IoT设备计算与通信资源有限，并且这些设备通常具有隐私保护的需求，那么在保护隐私的同时，如何加速Edge AI仍然是一个挑战。联邦学习(FL)作为一种新兴的分布式学习范式，在隐私保护和提升模型性能等方面，具有巨大的潜力，但是通信及本地训练效率低。为了解决上述难题，该文提出一种FL加速框架AccFed。首先，根据网络状态的不同，提出一种基于模型分割的端边云协同训练算法，加速FL本地训练；然后，设计一种多轮迭代再聚合的模型聚合算法，加速FL聚合；最后实验结果表明，AccFed在训练精度、收敛速度、训练时间等方面均优于对照组。

关键词：边缘智能, 联邦学习, 端边云协同, 模型分割

基金资助：国家自然科学基金(62072469)，研究生创新工程项目(YCX2021129)，中国科学院自动化研究所复杂系统管理与控制国家重点实验室开放课题(20210114)