面向电池供电客户端的能耗感知联邦学习

联邦学习（FL）是 AI 新近兴起的分支，促进边缘设备在不集中数据且默认隐私保护下协作训练全局机器学习模型。然而，尽管进展显著，该范式伴随多种挑战。具体而言，在大规模部署中，客户端异构性是常态，影响如精度、公平性与时间等训练质量。此外，这些电池受限设备上的能耗在很大程度上未被探索，且是 FL 广泛采用的局限。为解决此问题，我们开发了 EAFL，一种考虑能耗以最大化异构目标设备参与度的能耗感知 FL 选择方法。EAFL 是一种功率感知训练算法，在最大化系统效率能力的同时甄选电池电量较高的客户端。我们的设计联合最小化时间到精度并最大化设备剩余电池电量。EAFL 将测试模型精度提升达 85%，并将客户端掉线率降低达 2.45$\times$。