面向边缘计算的依赖性多任务联邦学习的基于簇的客户端选择
机器学习
2025-10-16 v1
摘要
我们研究了在移动边缘计算(MEC)环境中针对依赖性多任务设置的联邦学习中的客户端选择问题，以减少完成各种学习任务所需的总时间。我们提出了CoDa-FL，即一种基于簇的、依赖感知的框架，通过簇基客户端选择和依赖任务分配来降低所需总时间。我们的ethods考虑使用地球移位距离(EMD)对客户端进行聚类，以基于其本地数据分布降低计算成本并提高通信效率。我们推导出簇内EMD与所需训练轮数的收敛之间直接且明确的关系，从而简化了原本复杂的获取最优解的过程。此外，我们引入了基于有向无环图的任务调度机制，以有效管理任务依赖关系。通过数值实验，我们验证了我们提出的CoDa-FL在异构MEC设置下优于现有基准方法，实现了更快的收敛、更低的通信和计算成本以及更高的学习准确率。
引用
@article{arxiv.2510.13132,
title = {Cluster-Based Client Selection for Dependent Multi-Task Federated Learning in Edge Computing},
author = {Jieping Luo and Qiyue Li and Zhizhang Liu and Hang Qi and Jiaying Yin and Jingjin Wu},
journal= {arXiv preprint arXiv:2510.13132},
year = {2025}
}
备注
6 pages