面向联邦感知系统的部署前复杂度估计

边缘AI 系统越来越依赖于分布式、隐私保护和资源受限环境中的联邦学习来训练感知模型。然而，在训练开始之前，实践者往往缺乏实用工具来估计联邦学习任务在可达准确率和通信成本方面的难度。本文提出了一个无分类器依赖、部署前的框架，用于估计联邦感知系统中的学习复杂度，通过联合建模数据内在属性和分布式环境特征。 proposed复杂度指标将数据属性（如维度、稀疏性和异构性）与参与客户组成因素相结合。使用联邦学习作为代表性分布式训练设置，我们检查了在不同联邦配置下学习难度如何变化。在多个MNIST 数据集和CIFAR 数据集变体实验中，结果表明proposed 指标与联邦学习性能和实现固定准确率目标所需的通信开销高度相关。这些发现表明，复杂度估计可作为资源规划、数据集评估和边缘部署感知系统可行性评估的实用诊断工具。