5G/下一代无线网络上的混合层次化联邦学习
网络与互联网体系结构
2026-04-14 v1
摘要
当今的 5G 和 NextG 无线网络正趋向于采用协调多点 (CoMP) 传输和接收技术，其中客户端可同时由多个基站 (BS) 提供服务以获得更佳的通信性能。然而，传统的层次化联邦学习 (HFL) 架构要求每个客户端一次只能与一个边缘服务器 (ES) 关联。如果我们继续在现代层次化网络上使用传统 HFL 架构进行模型训练，CoMP 技术的优势将无法被利用，留下进一步提高训练效率的余地。为此，我们提出混合层次化联邦学习 (HHFL)，允许重叠区域的客户端同时与多个边缘服务器 (ES) 进行模型聚合。HHFL 能够增强 ES 之间的知识共享，从而缓解模型发散并提高训练效率。我们提供严格的理论收敛分析，并给出收敛上界以验证其有效性。实验结果表明，HHFL 在数据 across different ESs 不独立同分布 (non-IID) 时尤其优于传统 HFL。例如，当每个 ES 仅由十类中的两类主导，且 15 个 57 个客户端之一可连接到多个 ES 时，HHFL 在相同配置下实现最高可达 2 倍的加速收敛。这些结果表明，HHFL 为今天和下一代无线网络中的 FL 模型训练提供了可扩展且高效的解决方案。
引用
@article{arxiv.2604.09680,
title = {Hybrid Hierarchical Federated Learning over 5G/NextG Wireless Networking},
author = {Haiyun Liu and Jiahao Xue and Jie Xu and Yao Liu and Zhuo Lu},
journal= {arXiv preprint arXiv:2604.09680},
year = {2026}
}