高度波动环境中的边缘 AI：公平性值得以精度为代价吗？
机器学习
2025-11-04 v1 分布式、并行与集群计算
摘要
联邦学习 (FL) 已成为边缘智能的一项变革性范式，能够在跨分布式个人设备保持数据隐私的同时实现协作模型训练。然而，边缘环境固有的波动性（表现为动态的资源可用性和异构的客户端能力）对实现高精度和客户端参与的公平性提出了重大挑战。本文研究了高度波动的边缘环境中模型精度与公平性之间的基本权衡。本文在三个基准数据集 (CIFAR10, FashionMNIST 和 EMNIST) 上，针对公平性、模型性能和时间，对基于公平性的客户端选择算法（如 RBFF 和 RBCSF）与随机选择及贪婪客户端选择进行了广泛的实证评估。本工作旨在阐明波动边缘环境中公平性与性能、公平性与速度之间的权衡，并探索未来的潜在研究机会，以解决 FL 中“公平客户端选择”策略的现有缺陷。我们的结果表明，更公平的客户端选择算法虽然为客户端提供了略好一些的机会，但在波动环境中可能导致全局训练变慢。
引用
@article{arxiv.2511.01737,
title = {Edge AI in Highly Volatile Environments: Is Fairness Worth the Accuracy Trade-off?},
author = {Obaidullah Zaland and Feras M. Awaysheh and Sawsan Al Zubi and Abdul Rahman Safi and Monowar Bhuyan},
journal= {arXiv preprint arXiv:2511.01737},
year = {2025}
}
备注
Presented at IEEE FLTA 2025