AttFL：一个用于时序移动和嵌入式传感器数据处理的个性化联邦学习框架

本工作提出AttFL，这是一个联邦学习框架，旨在持续改进个性化深度神经网络，以高效分析移动和嵌入式传感应用生成的时间序列数据。为了更好地表征时间序列数据特征并高效抽象模型参数，AttFL在基线深度学习模型上附加了一组注意力模块，并在服务器上交换其特征图信息以收集分布式本地设备之间的集体知识。服务器使用余弦相似度对具有相似上下文目标的设备进行分组，并重新分发更新的模型参数以提高每个本地设备的推理性能。具体而言，与之前提出的联邦学习框架不同，AttFL专门设计用于在各种循环神经网络基线模型上表现出色，使其适用于许多产生时间序列传感数据的移动和嵌入式传感应用。我们评估了AttFL的性能，并与五种最先进的联邦学习框架进行了比较，使用了三个流行的移动/嵌入式传感应用（如生理信号分析、人体活动识别和音频处理）。我们通过基于CPU核心的模拟和12节点嵌入式平台测试床获得的结果表明，AttFL在模型精度和通信/计算开销方面优于所有替代方案，并且足够灵活，可应用于利用不同基线深度学习模型架构的各种应用场景。