计算感知的能源收集式联邦学习：循环调度与选择性参与
机器学习
2025-11-18 v1 信息论
math.IT
摘要
联邦学习（FL）是一种分布式学习的强大范式，但其日益复杂的计算导致来自客户端计算的能源消耗显著增加。在能源收集式联邦学习（EHFL）系统中，每个设备的参与可用性由于能源有限而振荡。为此，我们提出FedBacys，一种基于用户电池水平进行循环客户端参与的电池感知式EHFL框架。通过对客户端进行聚类并顺序调度，FedBacys最小化冗余计算，减少系统范围的能源使用，并提高学习稳定性。我们还引入FedBacys-Odd，一个更具能源效率的变体，允许客户端选择性参与，从而在不损害性能的情况下进一步降低能源成本。我们提供了该框架的收敛分析，并通过数值实验演示其在能源效率和鲁棒性方面优于现有算法。
引用
@article{arxiv.2511.11949,
title = {Computation-aware Energy-harvesting Federated Learning: Cyclic Scheduling with Selective Participation},
author = {Eunjeong Jeong and Nikolaos Pappas},
journal= {arXiv preprint arXiv:2511.11949},
year = {2025}
}
备注
This paper has been submitted to a peer-reviewed journal