VinUniversity:Huy Hieu Pham | FedDRL：基于深度强化学习的联邦学习中非 IID 数据的自适应聚合

【标题】FedDRL: Deep Reinforcement Learning-based Adaptive Aggregation for Non-IID Data in Federated Learning

【作者团队】Nang Hung Nguyen, Phi Le Nguyen, Duc Long Nguyen, Trung Thanh Nguyen, Thuy Dung Nguyen, Huy Hieu Pham, Truong Thao Nguyen

【发表日期】2022.8.4

【论文链接】https://arxiv.org/pdf/2208.02442.pdf

【推荐理由】本地数据在不同边缘设备（客户端）上的不均匀分布导致模型训练缓慢和联邦学习的准确性降低。朴素的联邦学习 (FL) 策略和大多数替代解决方案试图通过跨客户端加权聚合深度学习模型来实现更多公平。本文引入了一种在现实世界数据集中遇到的新型非 IID 类型，即集群偏斜，其中客户端组具有具有相似分布的本地数据，导致全局模型收敛到过拟合解决方案。为了处理非 IID 数据，特别是集群倾斜数据，其提出了 FedDRL，一种新颖的 FL 模型，它采用深度强化学习来自适应地确定每个客户端的影响因子（将用作聚合过程中的权重）。在一组联邦数据集上进行的大量实验证实，所提出的FedDRL相对于FedAvg和FedProx方法有良好的改进，例如，对于CIFAR-100数据集，平均分别高达4.05%和2.17%。