面向物联网环境的联邦学习通信成本优化缓存技术
分布式、并行与集群计算
2025-07-25 v1 人工智能
计算机视觉与模式识别
机器学习
摘要
联邦学习 (FL) 允许多个分布式设备共同训练共享模型，而不集中数据，但通信成本仍是资源受限环境中的主要瓶颈。本文引入缓存策略 - FIFO、LRU和基于优先级的策略 - 以减少不必要的模型更新传输。通过选择性转发显著更新，可降低带宽使用，同时维持模型准确性。在CIFAR-10和医疗数据集上的实验表明，通信成本降低且准确性损失最小。结果确认，智能缓存提高了可扩展性、内存效率，并支持可靠的边缘IoT网络中的联邦学习，使其在智慧城市、医疗保健等延迟敏感应用中具有实际部署价值。
引用
@article{arxiv.2507.17772,
title = {Caching Techniques for Reducing the Communication Cost of Federated Learning in IoT Environments},
author = {Ahmad Alhonainy and Praveen Rao},
journal= {arXiv preprint arXiv:2507.17772},
year = {2025}
}
备注
Journal