通过数据、计算与通信联合设计实现边缘实时视觉的能效联邦学习
机器学习
2025-08-05 v1 分布式、并行与集群计算
摘要
无线边缘设备上新兴的实时计算机视觉（CV）应用需要节能且保护隐私的学习。联邦学习（FL）实现了无需共享原始数据的设备端训练，但由于计算和通信的高能耗以及有限且非独立同分布的本地数据，在资源受限的环境中仍面临挑战。我们提出了 FedDPQ，这是一个用于不可靠无线网络上实时 CV 的超节能 FL 框架。FedDPQ 集成了基于扩散模型的数据增强、模型剪枝、通信量化和传输功率控制，以提高训练效率。它利用合成数据扩展本地数据集，通过剪枝减少计算，通过量化压缩更新，并通过自适应功率控制缓解传输中断。我们进一步推导了一个闭式能量收敛模型，捕捉这些组件的耦合影响，并开发了一种基于贝叶斯优化（BO）的算法，以联合调整数据增强策略、剪枝率、量化级别和功率控制。据我们所知，这是在不可靠无线条件下从数据、计算和通信角度联合优化 FL 性能的首项工作。在代表性 CV 任务上的实验表明，FedDPQ 实现了卓越的收敛速度和能效。
引用
@article{arxiv.2508.01745,
title = {Energy-Efficient Federated Learning for Edge Real-Time Vision via Joint Data, Computation, and Communication Design},
author = {Xiangwang Hou and Jingjing Wang and Fangming Guan and Jun Du and Chunxiao Jiang and Yong Ren},
journal= {arXiv preprint arXiv:2508.01745},
year = {2025}
}