面向实时公共安全任务的去中心化语义联邦学习：挑战、方法与方向
分布式、并行与集群计算
2025-04-08 v1
摘要
公共安全任务依赖于不同区域多个边缘设备（MED）和基站（BS）的协同运作，在执行火灾监控和救援任务等关键操作时消耗大量通信能量和计算资源。传统的联邦边缘计算（EC）方法需要频繁的中心通信，消耗大量能量且难以应对设备、网络和数据间的资源异构性。为此，本文提出了一种针对大规模无线通信系统和异构 MED 的去中心化语义联邦学习（DSFL）框架。该框架采用分层语义通信（SC）方案，以扩展 EC 覆盖范围并降低通信开销。具体而言，下层通过受限网络下的任务特定编码和选择性传输来优化基站内通信，而上层则通过不同区域间的语义聚合和分布式共识来确保稳健的基站间通信。为进一步平衡通信成本与语义准确性，为基站内和基站间通信开发了一种节能聚合方案。通过使用 BoWFire 数据集的案例研究，展示了 DSFL 框架的有效性，展现了其在实时火灾检测场景中的潜力。最后，我们概述了公共安全任务中边缘智能和 SC 的开放性问题。
引用
@article{arxiv.2504.05107,
title = {Decentralized Semantic Federated Learning for Real-Time Public Safety Tasks: Challenges, Methods, and Directions},
author = {Baosheng Li and Weifeng Gao and Zehui Xiong and Jin Xie and Binquan Guo and Miao Du},
journal= {arXiv preprint arXiv:2504.05107},
year = {2025}
}