现有的几种联邦学习架构（全局聚合模式）
5种联邦学习架构
1. 集中式联邦学习（centralized federated learning）
最典型的联邦学习聚合模式，全局聚合只发生在集中式边缘/云服务器上。
2. 分层联邦学习（hierarchical federated learning）
模型先在多个边缘服务器上进行聚合，再在云中进行全局聚合
3. 分布式联邦学习（distributed federated learning）
多个联邦服务器进行全局聚合，最终联邦服务器之间以分布式的方式聚合所有模型。
4.协作联邦学习（collaborative federated learning）
通信资源不足的参与者可以将模型传输给附近的资源充足参与者，参与者聚合自己的模型和资源不足参与者的模型，将得到的模型传输至服务器实现全局聚合。在这过程中也有设备直接传输本地模型至服务器。这种模式可以以同步和异步的方式来实现。
图1 协作联邦学习
5. 分散联邦学习
子全局模型在不同组内进行计算。然后，子全局模型在不同组内进行迁移，最终形成全局联邦学习模型。
图2 分散联邦学习用于智能交通
Reference
[1] Khan L U, Saad W, Han Z, et al. Federated learning for internet of things: Recent advances, taxonomy, and open challenges[J]. IEEE Communications Surveys & Tutorials, 2021.
- 发表于 2022-11-09 20:53
- 阅读 ( 402 )
- 分类：群智能体分布式学习
