工业物联网中资源受限机器人的联邦分裂学习：框架比较、优化策略与未来方向
机器人学
2025-10-08 v1 人工智能
多智能体系统
系统与控制
系统与控制
摘要
联邦分裂学习 (FedSL) 作为一种有前景的范式，已出现用于在工业物联网 (IoT) 系统中实现协作智能，特别是在智能工厂中，数据隐私、通信效率和设备异构性是关键关注点。在本文中，我们对面向工业场景中资源受限机器人的 FedSL 框架进行了全面研究。我们从工作流、可扩展性、适应性和动态工业条件下的局限性等方面，比较了同步、异步、分层和异构 FedSL 框架。此外，我们系统地将令牌融合策略分为三类范式：输入级（前融合）、中间级（内部融合）和输出级（后融合），并总结了它们在工业应用中的各自优势。我们还提供了自适应优化技术以增强 FedSL 实现的可行性和效率，包括模型压缩、分裂层选择、计算频率分配和无线资源管理。仿真结果验证了这些框架在工业检测场景下的性能。最后，我们概述了 FedSL 在未来智能制造系统中的开放问题与研究方向。
引用
@article{arxiv.2510.05713,
title = {Federated Split Learning for Resource-Constrained Robots in Industrial IoT: Framework Comparison, Optimization Strategies, and Future Directions},
author = {Wanli Ni and Hui Tian and Shuai Wang and Chengyang Li and Lei Sun and Zhaohui Yang},
journal= {arXiv preprint arXiv:2510.05713},
year = {2025}
}
备注
9 pages, 5 figures, submitted to the IEEE magazine