[Paper] 基于特征的语义感知调度用于能量采集联邦学习

Source: arXiv - 2512.01983v1

Overview

本文提出了一种 语义感知客户端调度 技术，用于在从环境中收集能量的设备上进行联邦学习（FL）。通过估计本地模型更新实际能够提升全局模型的程度，该方法削减了不必要的计算——这往往是边缘设备能耗的主要来源。作者使用轻量级的 版本信息年龄（VAoI）代理实现了这一点，使该方法在实际能量受限的 FL 部署中具有可行性。

Key Contributions

• 基于 VAoI 的调度：利用语义感知的新鲜度度量（VAoI）来优先选择既及时又信息丰富的更新。
• 特征代理：用一次前向传播的中间层特征提取取代昂贵的全参数统计距离，将计算量降低了数量级。
• 能量感知客户端选择：将收集的能量约束直接纳入调度决策，防止在设备无法负担时进行浪费的本地训练。
• 大量实验评估：在高度非 IID 数据和严重能量匮乏的情况下，相比现有的 EH‑FL 基线，展示了更高的模型精度和约 30 % 的能量节省。

Methodology

1. 问题表述 – 每个边缘设备会随机收集能量，需要决定是 (a) 进行本地 DNN 更新训练，(b) 传输更新，还是 (c) 维持空闲。目标是在满足设备能量预算的前提下最大化全局模型性能。
2. 版本信息年龄 (VAoI) – VAoI 衡量模型版本的“陈旧程度”以及其参数与当前全局模型的差异（即更新的语义相关性）。传统 VAoI 需要在整个参数空间上计算距离，这在低功耗硬件上不可行。
3. 特征代理 – 作者在一次 前向传播 中对小批量验证数据提取 DNN 中间层的激活。特征向量之间的欧氏距离作为完整参数距离的替代指标，以更少的计算捕捉冗余信息。
4. 调度算法 – 在每轮通信时，服务器收集 (i) 每个客户端的收集能量状态 和 (ii) 代理 VAoI 估计。随后求解一个轻量级的背包类选择问题，挑选出每焦耳贡献最高的客户端子集。
5. 训练循环 – 被选中的客户端执行固定轮数的本地 SGD，然后上传更新。服务器使用 FedAvg 进行聚合并重复上述过程。

Results & Findings

解释：通过剔除语义上冗余的更新，系统收敛更快且能耗显著降低。特征代理几乎不增加额外延迟，证明其适合在设备端执行。

Practical Implications

• 边缘 AI 部署（如智能摄像头、可穿戴设备）现在可以在不耗尽微小电池的情况下运行 FL，因为它们避免了浪费的本地训练周期。
• 网络运营商 获得了更细粒度的上行流量控制：只有最“有价值”的更新会被传输，从而降低大规模 IoT 场景的拥塞。
• 框架集成 – 该代理可以封装为轻量级的 PyTorch/TensorFlow Hook，方便接入现有的 FL 库（Flower、PySyft、FedML）。
• 能量收集硬件设计者 可以利用调度逻辑更精准地为太阳能/热能收集器进行规格设计，因为算法会在能量稀缺时自行降频。

Limitations & Future Work

• 代理依赖于 固定 的中间层；其效果可能随模型结构（如 Transformer 与 CNN）而异。
• 实验主要聚焦于图像分类基准；在 NLP 或时间序列预测等更广泛的领域仍未验证。
• 调度问题采用贪心求解；探索更优（但仍轻量）的组合求解器可能进一步提升性能。
• 将该方法扩展到 异步 FL 与多任务设置仍是一个开放的研究方向。

Authors

• Eunjeong Jeong
• Giovanni Perin
• Howard H. Yang
• Nikolaos Pappas

Paper Information

• arXiv ID: 2512.01983v1
• Categories: cs.LG, cs.DC, cs.IT, cs.NI, eess.SP
• Published: December 1, 2025
• PDF: Download PDF