稀疏自联邦学习：面向Society 5.0中节能合作智能
机器学习
2025-07-11 v1
摘要
联邦学习提供了隐私保护的协作智能，但在规模化的物联网生态系统中难以满足Society 5.0——人类中心技术未来对社会进步与环境责任之间平衡所需的可持续性要求。传统FL方法所需的过多通信带宽和计算资源在规模化后导致其在环境上不可持续，与绿色AI原则形成根本性冲突，因为数十亿资源受限的设备试图参与其中。为此，我们引入稀疏 Proximity-based Self-Federated Learning (SParSeFuL)，这是一种资源感知的方法，通过结合自组织的聚合计算和神经网络稀疏化来减少能源和带宽消耗。
关键词
引用
@article{arxiv.2507.07613,
title = {Sparse Self-Federated Learning for Energy Efficient Cooperative Intelligence in Society 5.0},
author = {Davide Domini and Laura Erhan and Gianluca Aguzzi and Lucia Cavallaro and Amirhossein Douzandeh Zenoozi and Antonio Liotta and Mirko Viroli},
journal= {arXiv preprint arXiv:2507.07613},
year = {2025}
}