基于特征的语义感知调度：面向能源收集式联邦学习

资源受限的边缘设备上的联邦学习面临一个关键挑战：深度神经网络（DNN）的计算能耗常常占据通信成本的主导地位。然而，大多数现有的能源收集式联邦学习（EHFL）策略未能考虑这一现实，导致因冗余的本地计算而浪费能源。为了实现高效和主动的资源管理，必须设计出预测本地更新贡献的算法。我们提出一种轻量级客户端调度框架，利用版本信息年龄（VAoI）——一种语义感知度量标准，用于量化更新的及时性和重要性。关键的是，我们克服了 VAoI 通常昂贵的计算成本——该成本需要对整个参数空间进行统计距离计算——通过引入一种特征基的代理方法。该代理方法使用单次前向传播从中间层提取，用于估计模型冗余，从而大幅降低计算复杂度。在极端非独立分布（non-IID）和稀缺能源条件下的实验中，我们的方法在保持优异学习性能的同时，实现了能源消耗的显著降低，优于现有的基线选择策略。我们的框架将语义感知调度确立为在训练成本主导于传输成本的真实场景下，EHFL 的实用且关键解决方案。