BEFL：面向移动边缘 IoT 的联邦学习能耗平衡
机器学习
2024-12-06 v1 分布式、并行与集群计算
摘要
联邦学习（FL）是一种面向构建高度准确全局模型的隐私保护分布式学习范式。在移动边缘物联网（MEIoT）中，训练和通信过程会显著耗尽设备有限的电池资源。现有研究主要关注减少总能耗，但可能会无意中导致能耗不平衡，进而导致能源敏感设备的提前掉线。为此，我们提出BEFL，一个联合优化框架，旨在平衡三个目标：提高全局模型准确性、最小化总能耗、减少设备间能耗差异。首先，考虑到MEIoT的通信约束和设备的异构性，我们采用顺序最小二乘规划（SLSQP）算法对通信资源进行合理分配。基于此，我们引入一种结合聚类分区和效用驱动方法的启发式客户端选择算法，以缓解所有设备的总能耗以及能耗差异。此外，我们将所提出的启发式客户端选择算法作为离线模仿学习的模板进行预训练，同时采用基于排序的强化学习方法在线进一步提升训练效率。我们的实验显示，BEFL在全局模型准确性提升1.6%，能耗方差降低72.7%，总能耗降低28.2%。相关代码可在\href{URL}{https://github.com/juzehao/BEFL}找到。
引用
@article{arxiv.2412.03950,
title = {BEFL: Balancing Energy Consumption in Federated Learning for Mobile Edge IoT},
author = {Zehao Ju and Tongquan Wei and Fuke Shen},
journal= {arXiv preprint arXiv:2412.03950},
year = {2024}
}