面向边缘辅助车联网中能量受限多任务联邦微调的分散式秩调度
机器学习
2026-05-05 v3 人工智能
网络与互联网体系结构
摘要
大规模车联网（IoV）部署日益要求基础模型的设备端适配，以支持多样化、任务关键型的感知任务。虽然联邦微调为高效的模型特化提供了一种有前景的解决方案，但现有方法往往难以调和严格的全局能量预算、异构任务需求以及车载网络连接的高波动性之间的固有冲突。在这项工作中，我们引入了一个分层自适应框架，将多任务微调解耦为两个相互依赖的优化阶段。首先，我们在基础设施层面实现了一个反馈回路机制，该机制基于实时收敛动态和资源利用率，在并发任务之间动态重新分配全局能量预算。其次，在车辆层面，我们将任务内秩选择制定为一个能源约束的在线学习问题，并通过一种新颖的原始-对偶赌博机算法UCB-DUAL来解决，该算法提供了次线性遗憾的理论保证。我们的方法有效地将全局能量约束内化到本地决策中，使车辆能够自主地在模型精度、延迟和功耗之间进行复杂权衡。使用由真实世界轨迹数据驱动的大规模IoV模拟器进行的实证评估证实，我们提出的方法显著优于当前的联邦微调基线，为资源受限的车载智能提供了一个鲁棒且可扩展的解决方案。
引用
@article{arxiv.2508.09532,
title = {Decentralized Rank Scheduling for Energy-Constrained Multi-Task Federated Fine-Tuning in Edge-Assisted IoV Networks},
author = {Bokeng Zheng and Jianqiang Zhong and Jiayi Liu and Lei Xue and Xu Chen and Xiaoxi Zhang},
journal= {arXiv preprint arXiv:2508.09532},
year = {2026}
}