arXiv cs.AI· Usevalad Milasheuski, Monica Nicoli, Stefano Savazzi·· 1 天前AI 评分26
去中心化联邦学习中的连接感知客户端选择
Connectivity-Aware Client Selection in Decentralized Federated Learning
AI 导读
该论文提出用谱图工具做轻量级客户端选择，让去中心化联邦学习中的每个客户端只向结构上最相关的部分邻居发送模型更新，而非全邻域广播。方法利用图拉普拉斯特征向量嵌入与热/扩散核相似度引导选择，在数据强异构、规模较大且结构丰富的图上准确率最高提升约 3 个百分点，同时传输消息总数较朴素广播减少 50%。
正文 · AI 翻译
摘要：去中心化联邦学习（DFL）已成为集中式联邦学习的一种可扩展替代方案，消除了服务器端的单点故障和通信瓶颈。然而，现有的大多数去中心化方法依赖于全邻域广播，即每个客户端在每一轮通信中将其模型更新发送给所有邻居。虽然有效，但这会导致显著的通信开销和高能耗。本文应用谱图工具作为轻量级客户端选择方法，通过在固定通信图上分析图拉普拉斯矩阵的谱性质来利用图拓扑。具体而言，我们利用特征向量嵌入和热/扩散核相似度来引导每个客户端仅选择结构相关的邻居子集，即那些对联邦过程收敛最有益的邻居。这种拓扑感知的随机化方法达到或优于均匀邻域子采样，并接近全广播的准确率。最大的增益（约 $3$ 个百分点）出现在较大且结构丰富的图上、数据强异构的情况下，同时与朴素广播相比，传输消息的总数减少了 $50\%$。
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.41570 [cs.AI] |
| （或此版本的 arXiv:2610.41570v1 [cs.AI]） | |
| https://doi.org/10.48550/arXiv.2610.41570 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Usevalad Milasheuski [查看电子邮件]
[v1]
2026年10月30日星期五 11:01:58 UTC（794 KB）
来源：arXiv cs.AI · arxiv.org