面向大型物联网网络中小规模数据集的能效化联邦边缘学习
机器学习
2026-04-14 v1 信息论
math.IT
摘要
大规模物联网（IoT）网络支持智能服务，如智慧城市和自动驾驶，但常面临资源受限问题。收集异构感测数据，尤其是小规模数据集，具有挑战性，独立的边缘节点会导致资源利用不高效并降低学习性能。为此，本文提出一种针对能效化联邦边缘学习的协作优化框架，适用于小规模数据集。我们首先推导预期学习损失，以量化训练样本数与学习目标之间的关系。随后设计了一种随机在线学习算法以适应数据变化，并构建了具有收敛界限的资源优化问题。最后，高效求解大规模优化问题的在线分布算法具有高度可扩展性。广泛的仿真和自主导航案例研究（包括碰撞规避）表明，所提方法在学习性能和资源效率方面显著优于最先进的基准方法。
引用
@article{arxiv.2604.10662,
title = {Energy-Efficient Federated Edge Learning For Small-Scale Datasets in Large IoT Networks},
author = {Haihui Xie and Wenkun Wen and Shuwu Chen and Zhaogang Shu and Minghua Xia},
journal= {arXiv preprint arXiv:2604.10662},
year = {2026}
}
备注
16 pages, 9 figures. To appear in IEEE TWC