通过碳感知客户端和时间段安排实现绿色联邦学习
机器学习
2025-09-12 v1
摘要
训练大规模机器学习模型会产生巨大的碳排放。联邦学习（FL）通过在地理上分散的客户端分布计算，提供了利用区域和时间碳强度（Carbon Intensity, CI）变化的自然框架。本文探讨了如何通过碳感知客户端选择和训练调度来减少排放。我们首先量化了一种碳感知调度政策的排放节省潜力——该政策利用松弛时间，即允许适度延长训练持续时间，以便客户端可将本地训练轮次延迟到更低碳排放的时段。随后我们检查了这种调度带来的性能权衡，这些权衡源于客户端之间的统计异质性、参与选择偏差以及模型更新的时间相关性。为了利用这些权衡，我们构建了一个集成松弛时间、-公平碳分配和全局微调阶段的碳感知调度器。实验在真实世界的 CI 数据上表明，Our scheduler 超过了不考虑松弛时间的基线方法， 在广泛的碳预算范围内实现更高的模型准确率，尤其在碳约束严格时获得显著提升。
引用
@article{arxiv.2509.08980,
title = {Green Federated Learning via Carbon-Aware Client and Time Slot Scheduling},
author = {Daniel Richards Arputharaj and Charlotte Rodriguez and Angelo Rodio and Giovanni Neglia},
journal= {arXiv preprint arXiv:2509.08980},
year = {2025}
}