基于Lyapunov优化的联邦学习客户端选择方法

联邦学习是一种可用于解决数据孤岛问题的分布式机器学习框架。在联邦学习过程中，客户端选择方案会对收敛速度和全局模型的精度产生重要影响。然而，现有的多数方案通常忽略客户端之间的资源异构和随时间不断变化的信道条件，使联邦学习算法最终性能较低。针对该问题，提出了一种基于Lyapunov优化的联邦学习客户端选择算法(Federated learning client selection based on Lyapunov optimization, FedLcs)。算法设计了一种基于客户端信道条件、资源状态和对全局模型的贡献度的选择权重方法，并将客户端选择过程建模为一个Lyapunov优化问题，在不延长运行时间的同时，优化联邦学习全局模型精度。仿真实验表明，与其他2种客户端选择算法相比，所提算法能够适应不断变化的网络环境，显著提高模型准确率，加快收敛速度并使收敛过程更稳定。