EdgeFLow：基于边缘网络顺序模型迁移的无服务器联邦学习
机器学习
2026-03-04 v1
摘要
联邦学习 (Federated Learning, FL) 已成为物联网 (IoT) 时代数据处理方法论的变革性分布式学习范式。然而，联邦学习系统面临显著的通信瓶颈，由于不可避免的客户端-服务器数据交换和长距离传输。本文提出 EdgeFLow，一种 innovative FL 框架，通过在边缘基站之间进行顺序模型迁移来重新设计系统拓扑，将传统云服务器替换为边缘基站之间的顺序模型迁移。通过仅在边缘聚类中进行模型聚合和传播，EdgeFLow 消除了基于云端的传输，显著降低了全局通信开销。我们在非凸目标和非 IID 数据分布下，对 EdgeFLow 提供了严格的收敛分析，扩展了经典联邦学习收敛理论。实验结果在各种配置下均表明，理论分析得到验证，EdgeFLow 在实现可 comparable 准确率提升的同时，显著降低了通信成本。作为一种面向通信高效联邦学习的系统性架构创新，EdgeFLow 为未来在物联网和边缘网络学习系统中建立了基础框架。
引用
@article{arxiv.2603.02562,
title = {EdgeFLow: Serverless Federated Learning via Sequential Model Migration in Edge Networks},
author = {Yuchen Shi and Qijun Hou and Pingyi Fan and Khaled B. Letaief},
journal= {arXiv preprint arXiv:2603.02562},
year = {2026}
}