17、联邦学习在无线网状网络边缘设备上的应用研究

联邦学习在无线网状网络边缘设备上的应用研究

1. 联邦学习背景与数据挑战

在机器学习（ML）领域，获取真实数据集的需求往往难以满足。而联邦学习（Federated Learning，FL）通过维护数据匿名性，消除了数据共享的诸多障碍，为解决这一问题提供了有效途径。

2. 实验数据集与任务

本次实验采用了胸部X光数据集（Chest - X - Rays dataset），该数据集包含5,863张JPEG格式的X光图像，分为肺炎（Pneumonia）和正常（Normal）两类。这些图像来自广州妇女儿童医疗中心1 - 5岁的儿科患者回顾性队列。实验的FL任务是使用该数据集训练一个6层卷积神经网络（CNN）模型，该模型约有420,000个参数。

3. 相关研究工作

• 低受限设备与联邦学习
  • Y. Gao等人对联邦学习（FL）和拆分神经网络（SplitNN）这两种先进的ML方法进行了实际评估。他们研究了不同类型的数据、多种模型设计，涉及多个用户设备，并使用不同基准来衡量性能。研究发现，在Raspberry Pi设备上进行训练时，FL总体上优于SplitNN，主要原因是FL所需的额外通信量较少。
  • 我们借鉴了Y. Gao在单个Raspberry Pi设备上的实验结果，将其1和5个周期的配置作为参考周期值。
  • 一些研究提出了适用于边缘环境的FL方法，例如Flower框架研究了特定类型的边缘设备，如Raspberry Pi、安卓手机和NVIDIA Jetson。该框架通过提供特定于客户端的软件实现，解决了客户端硬件的异