面向能量收获的联邦学习中的电池感知循环调度
机器学习
2025-04-17 v1 信息论
math.IT
摘要
联邦学习（FL）已成为分布式学习的有前景框架，但其日益复杂的计算需求导致在客户端侧产生显著能耗，尤其在能量收获联邦学习（EHFL）系统中尤为突出，因为设备可用性因能源资源有限且时变而波动。我们提出FedBacys，一种基于用户电池电量的循环客户端参与的联邦学习框架，以应对上述挑战。FedBacys使客户端能够节省能源并在指定传输时间前进行战略性的本地训练，通过对客户端进行聚类并顺序安排其参与来实现。该设计最小化冗余计算，减少系统整体能耗，并提高学习稳定性。我们的实验表明，FedBacys在能源效率和性能稳定性方面均优于现有方法，即使在非独立同分布（non-i.i.d）训练数据分布和电池充电极不稀缺的情况下也表现出良好的鲁棒性。本工作首次全面评估了EHFL中循环客户端参与的效果，将通信与计算成本整合到统一的资源感知调度策略中。
引用
@article{arxiv.2504.12181,
title = {Battery-aware Cyclic Scheduling in Energy-harvesting Federated Learning},
author = {Eunjeong Jeong and Nikolaos Pappas},
journal= {arXiv preprint arXiv:2504.12181},
year = {2025}
}
备注
This paper is currently under review for presentation at a peer-reviewed conference