# 分割联邦学习架构：实现高精度和低延迟的模型训练 ## 摘要 联邦学习使多。.

我们能否找到一种网络架构用于机器学习模型训练，以优化分割联邦学习（SFL）中的训练损失（进而提高准确度）？这种架构能否同时降低训练延迟和通信开销？虽然在普通的、最先进的SFL中准确度不受模型分割方式的影响，但在这项工作中我们对上述问题给出了肯定的回答。最近的分层SFL（HSFL）架构采用由客户端、（本地）聚合器和中央服务器组成的三层训练结构。在这种架构中，模型在两个分割层被分割成三个子模型，这些子模型在三层中执行。尽管HSFL架构具有优点，但它们忽视了分割层和客户端到聚合器分配对准确度、延迟和开销的影响。这项工作通过制定联合优化问题，明确捕捉分割层和客户端到聚合器分配对准确度、延迟和开销的影响。我们证明了该问题是NP-困难的，并提出了第一个准确度感知启发式算法，该算法明确考虑模型准确度，同时保持延迟效率。在公开数据集上的仿真结果表明，与最先进的SFL和HSFL方案相比，我们的方法可以将准确度提高3%，同时将延迟降低20%，开销降低50%。