上下文感知的节能八卦学习方案编排

完全分布式学习方案（如八卦学习（GL））因其在动态环境中的可扩展性和有效性而日益受到关注。然而，它们通常涉及通信和计算资源的高利用率，其能量足迹可能危及学习过程，尤其是在电池供电的物联网设备上。为解决此问题，我们提出优化八卦学习（OGL），一种基于GL与学习过程自适应优化相结合的训练方法，可在达到目标精度的同时最小化学习过程的能耗。我们提出一种数据驱动的OGL管理方法，该方法基于节点接触模式、模型质量和每个节点可用资源，实时优化每个节点的训练轮次数量以及选择与邻居交换哪个模型。我们的方法采用一个由基础设施编排器训练的DNN模型来动态调整上述参数。我们在两个不同数据集上进行了评估，利用时变随机图和基于测量的动态城市场景。结果表明，我们的方法在广泛的网络场景中高效且有效。