分层联邦学习框架

收敛快21倍

引入集群服务器分层聚合，显著降低通信开销并缓解客户端异构性影响。

Sai, Yinghui · Wu, Xiaoyi · Jiacheng, Jiang · Yuxiang, Huang · 严倩 · 李宗鹏 · 黄浩

IEEE Transactions on Consumer Electronics 2024

参数信息

收敛速度提升

21 ×

训练成本降低

55 %

技术优势

收敛快21倍

通过强化学习动态选择客户端并优化聚合权重，显著减少达到目标精度所需的通信轮次。

训练成本降55%

减少了参与聚合的客户端数量和通信次数，从而降低整体计算与通信开销。

无需改动客户端

在服务器端引入集群层和智能聚合策略，客户端仍执行标准本地训练，部署成本低。

应用场景

• 多机器人协同学习：可用于多机器人协同建图或控制，加速共享模型收敛并降低通信负担。
• 分布式具身智能训练：支撑具身智能体在分布式环境中高效训练策略模型，减少通信轮次。
• 群体机器人模型聚合：适合群体机器人场景下的模型聚合，动态选择代表性个体以降低开销。
• 工业机器人模型训练：可在工业机器人集群中协同训练质量检测或控制模型，节省计算与通信资源。