HEART：面向车辆-边缘-云集成层次化联邦学习的高效多模型训练方法
机器学习
2026-05-28 v3 人工智能
摘要
AI 驱动的车载互联网 (IoV) 的快速增长迫切需要能够处理高车辆流动性和去中心化数据的高效机器学习 (ML) 解决方案。这推动了车辆-边缘-云架构 (VEC-HFL) 下的层次化联邦学习的兴起。然而，文献中仍缺乏对 VEC-HFL 中车辆需要同时执行多个 ML 任务的关注，这种多模型训练环境引入了关键挑战。首先，不当的聚合规则可能导致模型过时并延长训练时间。其次，车辆流动可能导致数据利用效率低下，阻止车辆将模型返回网络边缘。此外，由于不同任务的资源分配差异大，实现均衡的资源分配变得至关重要，这大大影响了协同训练的效果。我们在不断挑战的目标是通过提出一种框架来解决这些挑战，旨在最小化全局训练延迟，同时确保不同任务之间的训练平衡，这一问题被证明是 NP-hard 的。为实现及时模型训练，我们引入了混合同步-异步聚合规则。基于此，我们提出了一种新方法，即混合进化与贪心分配 (HEART)。该框架分为两个阶段：首先，通过结合改进的粒子群优化 (PSO) 和遗传算法 (GA) 的混合启发式方法实现任务调度的均衡；其次，使用低复杂度的贪心算法确定在车辆上分配任务的训练优先级。实验在真实数据集上进行，证明了 HEART 在现有方法之上具有优势。
引用
@article{arxiv.2501.09934,
title = {HEART: Achieving Timely Multi-Model Training for Vehicle-Edge-Cloud-Integrated Hierarchical Federated Learning},
author = {Xiaohong Yang and Minghui Liwang and Xianbin Wang and Zhipeng Cheng and Seyyedali Hosseinalipour and Huaiyu Dai and Zhenzhen Jiao},
journal= {arXiv preprint arXiv:2501.09934},
year = {2026}
}
备注
Accepted by IEEE Transactions on Cloud Computing (22 pages, 7 figures)