Adaptive Federated Learning in Resource Constrained Edge Computing Systems.pdf

包括物联网、社交网络和众包在内的新兴技术和应用在网络边缘产生大量数据。机器学习模型通常是根据收集的数据建立的，以便对未来事件进行检测、分类和预测。由于带宽、存储和隐私方面的考虑，将所有数据发送到一个集中的位置通常是不切实际的。在本文中，我们考虑了从分布在多个边缘节点的数据中学习模型参数的问题，而不需要将原始数据发送到一个集中地。我们的重点是使用基于梯度的方法训练的机器学习模型的一般类。摘要从理论上分析了分布式梯度下降算法的收敛边界，并在此基础上提出了在给定资源预算下，在局部更新和全局参数聚合之间求得最小损失函数的控制算法。通过在网络原型系统和大规模仿真环境中对真实数据集的大量实验，评价了该算法