面向资源受限物联网设备的能效量化联邦学习
机器学习
2025-09-17 v1 分布式、并行与集群计算
摘要
联邦学习（FL）已成为一种支持协作机器学习同时保护数据隐私的范式，使其特别适用于物联网（IoT）环境。然而，资源受限的物联网设备因能量有限、通信信道不可靠以及假设无限码长传输不切实际而面临重大挑战。本文提出一个面向物联网网络的联邦学习框架，该框架集成了有限码长传输、模型量化以及错误感知聚合机制，以增强能效和通信可靠性。该框架还优化了上行链路传输功率，以平衡能量节省与模型性能。仿真结果表明，与标准 FL 模型相比，所提方法显著降低了高达 75% 的能耗，同时保持了稳健的模型精度，使其成为资源受限的真实世界物联网场景中 FL 的可行解决方案。这项工作为在实际物联网部署中实现高效可靠的 FL 铺平了道路。索引词：联邦学习，物联网，有限码长，量化，能效。
引用
@article{arxiv.2509.12814,
title = {Energy-Efficient Quantized Federated Learning for Resource-constrained IoT devices},
author = {Wilfrid Sougrinoma Compaoré and Yaya Etiabi and El Mehdi Amhoud and Mohamad Assaad},
journal= {arXiv preprint arXiv:2509.12814},
year = {2025}
}
备注
6 pages, accepted at IEEE PIMRC 2025