面向空间-空气-地面一体化网络的分层分割式联邦学习中的设备关联与资源分配
分布式、并行与集群计算
2026-02-06 v3 机器学习
摘要
6G促进了在空间-空气-地面一体化网络（SAGIN）中的联邦学习（FL）部署，但FL面临资源受限和数据分布不平衡等挑战。为解决这些问题，本文提出一种分层分割式联邦学习（Hierarchical Split Federated Learning, HSFL）框架，并推导了其损失函数的上界。为最小化训练损失与延迟的加权和，本文构建了集成设备关联、模型分层选择和资源分配的联合优化问题。我们将原问题分解为若干子问题，提出一种基于暴力搜索分层点的迭代优化算法，用于设备关联和资源分配。仿真结果表明，所提出的算法能够有效平衡SAGIN中联邦学习的训练效率和模型准确性。
引用
@article{arxiv.2601.13817,
title = {Device Association and Resource Allocation for Hierarchical Split Federated Learning in Space-Air-Ground Integrated Network},
author = {Haitao Zhao and Xiaoyu Tang and Bo Xu and Jinlong Sun and Linghao Zhang},
journal= {arXiv preprint arXiv:2601.13817},
year = {2026}
}
备注
This work has been submitted to the IEEE for possible publication