面向带宽受限多跳无线网络的去中心化联邦学习中的联合路由与模型剪枝
机器学习
2026-03-17 v1 网络与互联网体系结构
摘要
去中心化联邦学习（D-FL）通过无需中央服务器的方式实现隐私保护式训练，但多跳模型交换与聚合往往受限于通信资源瓶颈。为解决此问题，我们提出了联合路由与剪枝框架，通过优化路由路径和剪枝率来维持通信延迟在给定限制内。我们分析了所有客户端模型偏差之和如何影响 D-FL 的收敛界限，并构建了一个在通信约束下最大化模型保留率的优化问题，以最小化这些偏差。进一步分析表明，每个客户端的模型保留率与路径相关，这使得原问题归结为路由优化问题。基于这一洞察，我们开发了一种路由算法，选择延迟效率高的传输路径，使更多参数能在时间预算内传递，从而提高 D-FL 的收敛性。仿真结果表明，与未剪枝系统相比，本框架将平均传输延迟降低 27.8%，测试准确率提升约 12%。此外，相对于标准基准路由算法，所提路由方法使准确率提升约 8%。
引用
@article{arxiv.2603.15188,
title = {Joint Routing and Model Pruning for Decentralized Federated Learning in Bandwidth-Constrained Multi-Hop Wireless Networks},
author = {Xiaoyu He and Weicai Li and Tiejun Lv and Xi Yu},
journal= {arXiv preprint arXiv:2603.15188},
year = {2026}
}