联邦学习模型的可持续性与可信性评估
计算机与社会
2025-09-03 v3
摘要
人工智能（AI）日益影响各关键领域的决策。联邦学习（FL）作为一种保护隐私的协作式AI范式，不仅增强了数据保护，还在智能网络管理（包括分布式监控、自适应控制和边缘智能）方面具有重要前景。尽管FL系统的可信性已受到越来越多的关注，但可持续性维度仍未被充分探索，尽管其对可扩展的实际部署至关重要。为弥补这一差距，本工作将可持续性作为综合可信FL分类体系中的一个独立支柱，与AI-HLEG指南保持一致。该支柱包含三个关键方面：硬件效率、联邦复杂度和能源的碳强度。使用FederatedScope框架在不同场景（包括不同参与者、系统复杂度、硬件和能源配置）下的实验验证了该方法的实用性。结果表明，将可持续性纳入FL评估有助于环境负责的部署，使网络服务和管理AI模型更高效、自适应和可信。
引用
@article{arxiv.2310.20435,
title = {Assessing the Sustainability and Trustworthiness of Federated Learning Models},
author = {Chao Feng and Alberto Huertas Celdran and Pedro Miguel Sanchez Sanchez and Lynn Zumtaugwald and Gerome Bovet and Burkhard Stiller},
journal= {arXiv preprint arXiv:2310.20435},
year = {2025}
}