面向航空预测维护的联邦学习中量化对精度与通信效率权衡的影响
机器学习
2026-04-10 v1
摘要
联邦学习(FL)使跨分布式航空器队伍的预测性维护得以实现隐私保护，但梯度通信开销限制了在带宽受限的物联网节点上的部署。本文考察了对称均匀量化(b∈{32,8,4,2}位)对定制轻型1-D卷积模型(AeroConv1D，9697个参数)在NASA C-MAPSS基准数据集上通过FL训练所得精度-效率权衡的影响。在严格的多随机种评估(N=10个随机种)下，我们证明INT4在FD001(p=0.341)和FD002(p=0.264 MAE，p=0.534 NASA评分)上达到与FP32统计上无显著差异的精度，同时实现了梯度通信成本的8倍降低(37.88 KiB→4.73 KiB/轮)。一个关键方法学发现是：naive IID客户端分区人为抑制了方差；正确的Non-IID评估揭示了极端量化在实际运行不稳定性。INT2经验上表现为不适合的：尽管它通过极端量化导致的过正则化在FD002上实现更低的MAE，但这一表象性收益伴随着灾难性的NASA评分不稳定性(CV=45.8%相对于FP32的22.3%)，确认在异构运行条件下的不可重复性。对Xilinx ZCU102的FPGA资源投影表明，INT4可在硬件约束内实现(85.5% DSP利用率)， potentially在单个SoC上实现完整的FL管线。完整的模拟代码和FPGA估算脚本已公开于https://github.com/therealdeadbeef/aerospace-fl-quantization。
引用
@article{arxiv.2604.08474,
title = {Quantization Impact on the Accuracy and Communication Efficiency Trade-off in Federated Learning for Aerospace Predictive Maintenance},
author = {Abdelkarim Loukili},
journal= {arXiv preprint arXiv:2604.08474},
year = {2026}
}