双层DQN联邦蒸馏网络

时延能耗双双降低

将联邦学习中的节点选择与本地训练轮数决策分层，用DQN同时优化时延与能耗，并通过知识蒸馏压缩全局模型。

Chen, Yishan · Zhiqiang, Wang · Huashuai, Cai · 秦臻 · 邓水光

IEEE Transactions on Mobile Computing 2025

技术优势

选得出节点

由高层DQN控制器在动态环境中选择参与训练的节点，避免传统FL策略选不到可用节点。

决策分层

高层管选节点，低层管本地训练轮数，各自优化全局时延与能耗。

模型压缩

全局模型在部署时经知识蒸馏压缩为轻量模型，便于边缘设备使用。

应用场景

• 物联网边缘智能：在边缘设备上部署压缩模型，降低推理时延与能耗。
• 资源受限设备协同：让资源受限设备参与联邦训练，承担本地计算任务。
• 智能决策控制器：用双层DQN控制联邦学习过程，自动优化节点选择与轮数。