面向 AIoT 的能源高效联邦学习：基于聚类方法
机器学习
2025-05-16 v1 人工智能
摘要
虽然大量研究致力于优化模型性能、收敛速度和通信效率，但现有文献中常忽视联邦学习（FL）在人工智能物联网（AIoT）场景下的能源影响。本研究聚焦于FL过程中的能源消耗，重点考察三大能源密集型环节：预处理、通信和本地学习，所有环节均贡献于整体能源足迹。我们依赖于这样一个观察：设备/客户端选择对于加速分布式AIoT环境下模型训练的收敛至关重要。我们提出两种基于聚类的方案，这些聚类方法旨在将具有相似标签分布的AIoT设备分组，从而形成由近似异构设备组成的聚类。因此，我们的方法有效缓解了现实分布式学习应用中常见的异构性问题。通过大量数值实验，我们展示，聚类策略在其他最新方法的基础上，通常能够实现高收敛率，同时保持低能源消耗。
引用
@article{arxiv.2505.09704,
title = {Energy-Efficient Federated Learning for AIoT using Clustering Methods},
author = {Roberto Pereira and Fernanda Famá and Charalampos Kalalas and Paolo Dini},
journal= {arXiv preprint arXiv:2505.09704},
year = {2025}
}