11、联邦学习中的客户端选择框架与物联网网络中的可解释异常检测

联邦学习中的客户端选择框架与物联网网络中的可解释异常检测

联邦学习客户端选择框架

FedSAE算法步骤

FedSAE算法包含四个关键步骤：
1. 工作量预测 ：为使客户端参与，需能自适应调整，否则易退出。因此要准确预测客户端可承受的工作量，通过限制最大和最小工作量来实现。每个客户端维护一对工作量，先完成较小（较简单）的工作量，再完成较大（较难）的工作量，直至退出或完成困难任务。
2. 转换步骤 ：服务器将客户端的训练损失转换为选择概率。先将每个客户端的交叉熵损失转换为每个训练度量的值，以衡量客户端的重要性，再将该值转换为选择概率，最后根据概率选择每一轮的参与者。
3. 服务器选择参与者 ：根据转换步骤的结果选择正确的参与者，并向这些参与者广播真实的全局模型和预测模型。
4. 模型返回 ：返回模型参数、完成新任务所需的信息以及下一轮学习和训练所需的内容。

现有客户端选择框架

近年来，关于客户端选择框架（CSF）有很多新建议，以下是一些不同的客户端选择框架：
| 框架 | 发布日期 | 数据集 | 动机 | 方法 |
| — | — | — | — | — |
| FedCs | 2019 | CIFAR和MNIST | 优化移动边缘计算（MEC）框架上的联邦机器学习（FML）操作 | 客户端接收报价并分发信息，确定客户端计算 |
| FedSAE | 2021 | FEMNIST、MNIST、Sent140、Synthetic