自适应本地训练轮数

能耗大降

一种在能量和延迟约束下优化本地训练轮数并最小化聚合能耗的去中心化联邦学习算法，通过闭式解动态调整各设备训练轮数，性能优于固定轮数方案且能耗更低。

Zhigang, Yan · Li, Dong · 孙强 · Niyato, Dusit (Tao) · Quek, Tony Q.S.

IEEE Transactions on Mobile Computing 2025

技术优势

训练轮数可调

根据设备资源预算动态确定本地训练轮数，而不是所有设备用固定轮数，从而在能量和延迟约束下提升模型性能。

能耗更低

修改了基于图的聚合方案并求解能耗最小化问题，使得聚合过程的能量消耗降低，适用于不同的通信场景。

有理论保障

推导了具有不同本地训练轮数的去中心化联邦学习收敛界，揭示了轮数对模型性能的影响，并依此得到闭式解。

应用场景

• 边缘智能：让边缘设备在不超能耗和延迟预算下完成联邦学习训练，无需云中心频繁交互。
• 联邦学习系统：为去中心化联邦学习提供自适应训练轮数和低能耗聚合，提升资源异构场景下的系统性能。
• 无线传感器网络：传感器节点能量有限，该方案能降低训练和聚合能耗，延长网络寿命。
• 低功耗通信：通过优化本地轮数和聚合方案减少通信数据量和能量消耗，适合低功耗通信场景。