典型文献
联邦学习通信开销研究综述
文献摘要：
为了解决数据共享需求与隐私保护要求之间不可调和的矛盾,联邦学习应运而生.联邦学习作为一种分布式机器学习,其中的参与方与中央服务器之间需要不断交换大量模型参数,而这造成了较大通信开销;同时,联邦学习越来越多地部署在通信带宽有限、电量有限的移动设备上,而有限的网络带宽和激增的客户端数量会使通信瓶颈加剧.针对联邦学习的通信瓶颈问题,首先分析联邦学习的基本工作流程;然后从方法论的角度出发,详细介绍基于降低模型更新频率、模型压缩、客户端选择的三类主流方法和模型划分等特殊方法,并对具体优化方案进行深入的对比分析;最后,对联邦学习通信开销技术研究的发展趋势进行了总结和展望.
文献关键词：
联邦学习;通信开销;模型压缩;并行计算;客户端选择策略
中图分类号：
作者姓名：
邱鑫源;叶泽聪;崔翛龙;高志强
作者机构：
武警工程大学研究生大队,西安710086;武警工程大学反恐指挥信息工程研究团队,西安710086;武警工程大学乌鲁木齐校区,乌鲁木齐830049
文献出处：
引用格式：
[1]邱鑫源;叶泽聪;崔翛龙;高志强-.联邦学习通信开销研究综述)[J].计算机应用,2022(02):333-342
A类：
客户端选择,客户端选择策略
B类：
联邦学习,学习通,通信开销,隐私保护,习作,分布式机器学习,参与方,中央服务器,服务器之间,断交,大通,通信带宽,电量,移动设备,网络带宽,激增,对联,瓶颈问题,基本工作流程,模型更新,模型压缩,主流方法,特殊方法,并行计算
AB值：
0.317697
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
