基于版本年龄的联邦学习客户端调度策略

联邦学习（FL）已成为一种保护隐私的机器学习范式，它允许多个客户端在不共享本地数据的情况下进行协作训练。尽管边缘设备能力有所提升，但通信瓶颈给聚合大量客户端带来了挑战；每次全局聚合时，只有部分客户端能够更新其参数。这种现象引入了 FL 中落后者（stragglers）的关键挑战，以及客户端调度策略对全局模型收敛和稳定性的深远影响。现有的调度策略解决了陈旧性问题，但主要侧重于时效性或内容。受此启发，我们将信息版本年龄（VAoI）这一新概念引入联邦学习。与传统的 AoI 指标不同，VAoI 同时考虑了时效性和内容陈旧度。每个客户端的版本年龄是离散更新的，指示了信息的新鲜度。VAoI 被纳入客户端调度策略，以最小化平均 VAoI，从而减轻过时本地更新的影响，并增强 FL 系统的稳定性。