面向边缘环境中去中心化联邦学习的异构感知与高能效拓扑优化
机器学习
2025-08-13 v1 人工智能
摘要
联邦学习（FL）已成为边缘计算（EC）系统中一种有前景的范式，使众多边缘设备能够在保持数据隐私的同时协作训练人工智能（AI）模型。为了克服与集中式参数服务器相关的通信瓶颈，利用点对点（P2P）通信的去中心化联邦学习（DFL）已在研究界得到广泛探索。尽管研究人员设计了多种 DFL 方法来确保模型收敛，但其迭代学习过程不可避免地会随着模型复杂度和参与者数量的增长而产生相当大的成本。这些成本在很大程度上受每轮训练中拓扑结构的动态变化影响，特别是其稀疏性和连通性条件。此外，边缘环境中固有的资源异构性影响学习过程的能效，而数据异构性则降低模型性能。这些因素对为 EC 系统设计有效的 DFL 框架构成了重大挑战。为此，我们提出了 Hat-DFed，一个异构感知且成本效益高的去中心化联邦学习（DFL）框架。在 Hat-DFed 中，拓扑构建被形式化为一个双重优化问题，并被证明是 NP-hard 的，其目标是在复杂的边缘环境中最大化模型性能的同时最小化累积能耗。为解决此问题，我们设计了一个两阶段算法，该算法动态构建最优通信拓扑，同时无偏地估计其对模型性能和能源成本的影响。此外，该算法还引入了一种重要性感知的模型聚合机制，以减轻由数据异构性引起的性能下降。
引用
@article{arxiv.2508.08278,
title = {Towards Heterogeneity-Aware and Energy-Efficient Topology Optimization for Decentralized Federated Learning in Edge Environment},
author = {Yuze Liu and Tiehua Zhang and Zhishu Shen and Libing Wu and Shiping Chen and Jiong Jin},
journal= {arXiv preprint arXiv:2508.08278},
year = {2025}
}