M$^2$FedAQI：基于异构边缘设备的多模态联邦学习空气质量预测
机器学习
2026-05-19 v1 网络与互联网体系结构
摘要
准确的空气质量预测对于公共卫生、环境监测和工业安全至关重要。然而，大多数现有方法依赖集中式学习范例，在分布式物联网环境中引入与可扩展性、隐私保护和通信开销相关的挑战。此外，现有的联邦学习（FL）解决方案主要利用单模态数据，限制了其捕捉复杂环境模式的能力。为解决这些限制，我们提出MFedAQI，一个用于异构边缘设备上进行空气质量指数（AQI）预测的轻量级多模态联邦框架。该框架通过基于特征调制的融合机制集成视觉和表格两种模态，实现了高效的跨模态交互，同时保持较低的计算开销。MFedAQI在两个基准数据集（PM25Vision和TRAQID）上进行评估，分别用于分类和回归任务，在集中式和联邦设置下进行实验。实验结果表明，MFedAQI consistently优于现有方法，在准确率提升最高可达11.0%，AUC提升3.53%，F1分数提升12.2%，提升18.0%，同时将MAE和RMSE分别降低最高可达25.4%和20.4%。此外，部署在异构边缘设备上表明在通信开销、内存占用和计算成本方面实现了有效的资源利用。为增强通信安全性，采用TLS-based身份验证，以确保安全的客户端参与，并在不修改底层FL协议的前提下，保护FL通信信道免受未授权第三方访问。
引用
@article{arxiv.2605.16375,
title = {M$^2$FedAQI: Multimodal Federated Learning for Air Quality Prediction on Heterogeneous Edge Devices},
author = {Manjil Nepal and Kimsie Phan and Tamoghna Ojha and Aritra Dutta and M Krishna Siva Prasad},
journal= {arXiv preprint arXiv:2605.16375},
year = {2026}
}