面向硬件感知的语音情感识别联邦学习
机器学习
2026-05-26 v1 人机交互
摘要
联邦学习 (FL) 使能够在分布式边缘设备之间进行隐私保护的协作训练,但实际部署中涉及处理器性能、内存容量和通信延迟不同的异构客户端,这常导致轮次持续时间增加和系统成本上升. 本文提出了面向情感识别的硬件感知式联邦学习框架,该框架集成了硬件剖析、Top-K客户端选择和自适应本地历元,并在统一的训练循环中实现. 我们在非IID设置下将方法与FedAvg、FedProx和随机Top-K选择进行比较,结果表明在50轮联邦训练和5次独立试验中,所提出的方法实现了竞争性的验证准确率 (0.352),将总体训练时间约降低36.5%,并将累计通信成本降低40%.
引用
@article{arxiv.2605.24712,
title = {Hardware-Aware Federated Learning for Speech Emotion Recognition},
author = {Beyazit Bestami Yuksel and Emrah Dikbiyik},
journal= {arXiv preprint arXiv:2605.24712},
year = {2026}
}
备注
4 pages, 3 figures, 4 Tables