面向节能去中心化联邦学习的时变混合矩阵设计
机器学习
2026-01-01 v1 分布式、并行与集群计算
最优化与控制
摘要
我们考虑在无线网络中设计混合矩阵以最小化去中心化联邦学习（DFL）的运行成本，重点是最小化每个节点的最大能耗。作为 DFL 的一个关键超参数，混合矩阵控制着收敛速度和代理间通信的需求，因此已被广泛研究。然而，现有设计大多侧重于最小化通信时间，而忽略了对于能量受限设备至关重要的每节点能耗最小化问题。本工作通过一个理论上有依据的混合矩阵设计方案来填补这一空白，该方案旨在最小化直至收敛时的最大每节点能耗，同时考虑无线通信的广播特性。基于一个允许任意时变混合矩阵的新型收敛定理，我们提出了一个多阶段设计框架，该框架在优化预算下激活时变通信拓扑，以权衡每次迭代的能耗与收敛速度，同时平衡各节点间的能耗。我们基于真实数据的评估验证了所提方案在结合稀疏混合矩阵的低能耗与稠密混合矩阵的快速收敛方面的有效性。
引用
@article{arxiv.2512.24069,
title = {Time-varying Mixing Matrix Design for Energy-efficient Decentralized Federated Learning},
author = {Xusheng Zhang and Tuan Nguyen and Ting He},
journal= {arXiv preprint arXiv:2512.24069},
year = {2026}
}