FedTeddi：面向及时联邦边缘学习的感知时间漂移与发散的调度
机器学习
2025-09-10 v1 分布式、并行与集群计算
摘要
联邦边缘学习（FEEL）允许在无线网络中的分布式客户端之间进行协作模型训练，而无需暴露原始数据。虽然大多数现有研究假设数据集是静态的，但在真实场景中，客户端可能会持续收集具有时变和非独立同分布（non-i.i.d.）特性的数据。一个关键挑战是如何以及时且高效的方式使模型适应此类不断演化的数据。在本文中，我们提出了 FedTeddi，一种感知时间漂移与发散的调度算法，旨在促进动态数据演化和通信资源限制下 FEEL 的快速收敛。我们首先分别使用时间漂移和集体发散来量化数据的时变动态特性和非独立同分布特性，并将它们表示为分类任务中类别分布的推土机距离（EMD）。然后，我们提出了一种新颖的优化目标，并开发了一种联合调度和带宽分配算法，使 FEEL 系统能够快速从新数据中学习而不遗忘先前的知识。实验结果表明，与基准方法相比，我们的算法实现了更高的测试准确率和更快的收敛速度，在 CIFAR-10 上将收敛速度提高了 58.4%，在 CIFAR-100 上比随机调度提高了 49.2%。
引用
@article{arxiv.2509.07342,
title = {FedTeddi: Temporal Drift and Divergence Aware Scheduling for Timely Federated Edge Learning},
author = {Yuxuan Bai and Yuxuan Sun and Tan Chen and Wei Chen and Sheng Zhou and Zhisheng Niu},
journal= {arXiv preprint arXiv:2509.07342},
year = {2025}
}
备注
Submitted to IEEE for possible publication