首页 > 其他分享 >PerFedRLNAS: One-for-All Personalized Federated Neural Architecture Search-_AAAI'24-PerFedRLNAS

PerFedRLNAS: One-for-All Personalized Federated Neural Architecture Search-_AAAI'24-PerFedRLNAS

时间:2024-07-19 16:12:08浏览次数:12  
标签:24 Search 模型 NAS PerFedRLNAS 超网 个性化 客户端

PerFedRLNAS: One-for-All Personalized Federated Neural Architecture Search-AAAI'24-PerFedRLNAS

背景与挑战:

介绍个性化学习来解决设备异构和数据异构的问题。

现有工作无法充分回答下面的两个问题:
1.为什么个性化模型可以解决联邦的异构问题
2.是否有标准和自动的方法来决定个性化的个人部分和共享部分

介绍了AutoML,以前的工作是手动制定客户端集群的架构,而不是单个客户端的架构
(peaches的贪心方法,为每个客户端自动确定based和personal)

现有的个性化NAS联邦解决方案,缺乏适应各种模型的灵活性
现有的联邦NAS方法效率低,无法有效应用在个性化联邦学习中(离线)

个性化联邦学习的问题:
个性化联邦学习缺少如何设计模型的个人部分和共享部分的标准
有时,手动设计模型比非个性化表现得效果更差

相关工作:

FedNAS,FedRLNAS只着眼于全局模型,而不是个性化
SPIDER传输整个超网和本地进行NAS的开销很大

贡献:

1.提出通过强化学习的个性化反馈NAS框架,无需手动设置个性化模型(任意超网,不局限开始设计的超网模型)
2.每个客户端都有最优策略来决定哪部分共享,哪部分个性化
3.架构搜索保留在服务器端,只有一个模型而不是整个超网,效率与FedAvg相当
4.实验证明PerFedRLNAS的优良性。

问题:

image.png
S是采样函数,wi每个客户端的共享模型,都是来自超网进行采样得到的
image.png
d代表对应第几个选择,分别为以下6种:
image.png
i代表每个客户端,j代表d中的第几个选项
image.png

算法:

马尔可夫决策:未来与过去无关
(当一个随机过程在给定现在状态及所有过去状态情况下,其未来状态的条件概率分布仅依赖于当前状态)
State:
超网A,K个客户端的模型选择参数α,初始α设置0向量,表示所有操作有相同选择概率(放在服务器上)
Action:
客户端在服务器建设虚拟代理,每一轮根据α从超网采样模型发给客户端,进行本地训练
将训练好的模型和测试Acc发给服务端
Policy:
image.png
最终状态:所有客户端的α指出最优模型架构,客户端模型权重直接部署,无需进一步训练
梯度策略:
image.png
image.png
image.png
奖励函数:
image.png
image.png

实验:

数据集:CIFAR10,CIFAR100
模型:Vit,CNN
搜索空间:NASViT,DARTS,MobileNetV3
Non-IID:Dirichlet分布
每一轮:100个客户端中选择5个
指标:本地数据集平均准确率和标准偏差,整个系统达到精度的时间
BaseLine:FedRep,FedBABU,FedTP,FedAvg,Local Traing

image.png
Fed+NAS:FedNAS,FedRLNAS,FedorAS,SPIDER
image.png

考虑资源限制,内存占比:
image.png

image.png
即使不被选择的客户端,也有较好的表现,展示出随机采样的子网有比FedAvg更好的性能

标签:24,Search,模型,NAS,PerFedRLNAS,超网,个性化,客户端
From: https://www.cnblogs.com/fly-kiss/p/18311663

相关文章

  • 2024 电动汽车辅助驾驶系统算力天梯图 All In One
    2024电动汽车辅助驾驶系统算力天梯图AllInOne电动车算力天梯图demosTeslaModelYHW4.0(......
  • Windows 10 on ARM, version 22H2 (updated Jul 2024) ARM64 AArch64 中文版、英文版
    Windows10onARM,version22H2(updatedJul2024)ARM64AArch64中文版、英文版下载基于ARM的Windows10请访问原文链接:https://sysin.org/blog/windows-10-arm/,查看最新版。原创作品,转载请保留出处。作者主页:sysin.orgWindows10,version22H2(releasedNov2021)......
  • FedNAS: Federated Deep Learning via Neural Architecture Search-_BaseLine-FedNAS
    背景与挑战:介绍FL,引出数据异构问题和数据不可见性,因此需要大量的人力来定制更好的模型架构,因为设备异构性,边缘设备需要更高的计算负担和通信成本。介绍解决数据异构的相关工作,指出这些工作需要强大的先验假设。预定义的模型不一定是最优的贡献:1.提出FedNAS方法,在边缘设备之间......
  • Windows 11 version 23H2 中文版、英文版 (x64、ARM64) 下载 (updated Jul 2024)
    Windows11version23H2中文版、英文版(x64、ARM64)下载(updatedJul2024)Windows11,version23H2,企业版arm64x64请访问原文链接:https://sysin.org/blog/windows-11/,查看最新版。原创作品,转载请保留出处。作者主页:sysin.orgWindows11目前版本所有的日期都按照I......
  • Windows 11 version 22H2 中文版、英文版 (x64、ARM64) 下载 (updated Jul 2024)
    Windows11version22H2中文版、英文版(x64、ARM64)下载(updatedJul2024)Windows11,version22H2,企业版arm64x64请访问原文链接:https://sysin.org/blog/windows-11/,查看最新版。原创作品,转载请保留出处。作者主页:sysin.orgWindows11目前版本所有的日期都按照I......
  • Windows 10 version 22H2 (updated Jul 2024) 中文版、英文版下载
    Windows10version22H2(updatedJul2024)中文版、英文版下载Windows1022H2企业版arm64x64请访问原文链接:https://sysin.org/blog/windows-10/,查看最新版。原创作品,转载请保留出处。作者主页:sysin.orgWindows10更新历史记录Windows10,version22H2,allediti......
  • FINCH: Enhancing Federated Learning With Hierarchical Neural Architecture Search
    背景与挑战:介绍FL联邦学习,指出两个联邦学习的缺点::::danger1.预定义的架构容易使模型训练陷入局部次优解,导致训练性能低下2.开发一个足够精确和小的模型来部署在客户端是很复杂的,这需要在迭代的试错过程中付出大量的人力:::(手动设计更高效的体系结构在很大程度上依赖于人类......
  • Peaches: Personalized Federated Learning with Neural Architecture Search in Edge
    背景:介绍联邦学习,参数服务器和workers之间的关系挑战:1.预定义模型:太大的架构可能会导致过度拟合问题和workers不必要的计算开销,而太小的架构可能会导致低训练性能2.数据不可访问:数据不可访问导致不能设计出真正高效的架构在边缘计算中使用FL。需要考虑三种挑战:1.异构数据2......
  • Windows Server 2022 中文版、英文版下载 (updated Jul 2024)
    WindowsServer2022中文版、英文版下载(updatedJul2024)WindowsServer2022x64,Version21H2请访问原文链接:https://sysin.org/blog/windows-server-2022/,查看最新版。原创作品,转载请保留出处。作者主页:sysin.org此次发布更新了什么?答:版本号,当然还有…2021.09.01更......
  • Real-Time Federated Evolutionary Neural Architecture Search-_TEC'22(B)-RT-FedEvo
    背景:1.介绍FL2.介绍NAS(讨论范围限制在CNN)宏搜索空间覆盖整个CNN模型,例如,隐藏层的数量n、操作类型(例如,卷积)和快捷连接的链接方法微观搜索空间仅覆盖整个模型结构中重复的基序或细胞。并且这些单元在复杂的多分支操作中构建介绍RT(强化学习)在NAS中的运用,因为RT要模拟采样,......