面向非独立同分布边缘物联网网络的通信与能耗高效联邦学习的方差感知MGO智能客户端选择

《Advanced Engineering Informatics》:Variance-aware MGO-based intelligent client selection for communication- and energy-efficient federated learning in Non-IID Edge-IoT networks

【字体: 大 中 小 】 时间:2026年10月22日 来源:Advanced Engineering Informatics 11.5

编辑推荐:

   **摘要** 联邦学习(FL)在边缘物联网(Edge-IoT)网络中的部署面临显著挑战,这些挑战源于非独立同分布(non-IID)数据分布、资源约束和通信瓶颈。本研究提出了一种通信高效的联邦学习框架,命名为FedMGO,该框架将山地瞪羚优化算法(MGO)整合到本地模型优化和

  **摘要**联邦学习(FL)在边缘物联网(Edge-IoT)网络中的部署面临显著挑战,这些挑战源于非独立同分布(non-IID)数据分布、资源约束和通信瓶颈。本研究提出了一种通信高效的联邦学习框架,命名为FedMGO,该框架将山地瞪羚优化算法(MGO)整合到本地模型优化和智能客户端选择中。与常规方法不同,FedMGO采用基于MGO的客户端选择,通过复合适应度函数评估客户端,该函数综合考虑了基于性能方差的准确率和稳定性指标,从而有效识别持续可靠的参与者。该方法通过自适应参数控制和渐进式退火实现动态的探索-开发平衡,确保在异构环境中实现稳健收敛。在CIFAR-10数据集的非IID设置下进行的全面评估表明,FedMGO达到了71.58%的准确率,优于联邦平均(FedAvg)(65.50%)和联邦粒子群优化(FedPSO)(68.10%)。引人注目的是,所提出的方法通过在每个通信轮次中选择10个客户端中的2个,将每轮通信成本减少了80%(与FedAvg相比)。由于减少了客户端参与并实现了更快的收敛(14轮对比28轮通信轮次),FedMGO在收敛前实现了约90%的总体通信开销减少,同时在非IID环境中保持了更高的准确率和增强的训练稳定性。经验执行时间和能耗分析进一步表明,与FedAvg相比,FedMGO实现了57.5%的能耗节省和41.3%的总执行时间缩短,完全证明了计算-通信权衡的合理性。这种加速性能源于仅需14个通信轮次即可收敛,相比FedAvg(28轮)提高了50%,相比FedPSO(25轮)提高了44%,其中每轮的边际计算开销被全局通信的大幅减少所远远抵消。基于MGO的方差感知客户端选择在维持模型稳定性方面表现出特别的有效性,FedMGO的一致性比传统方法高出8.2%。对多达100个客户端的联盟的可扩展性分析证实,FedMGO在仅有1.23%的准确率下降的情况下保持了稳定的性能,证明了其在大规模边缘物联网网络中的实际可部署性。这些结果确立了FedMGO作为边缘物联网实际部署的稳健且高效的解决方案,通过计算智能和通信效率的最佳平衡,解决了资源受限的联邦学习环境中的关键挑战。**引言**边缘物联网(Edge-IoT)生态系统的指数级增长产生了前所未有的分布式数据量,对在严苛资源约束下运行的智能学习框架产生了关键需求。虽然联邦学习(FL)为集中式机器学习提供了有前景的分布式替代方案,但其在边缘环境中的实际部署面临着现有方法未能充分解决的基本挑战。核心限制源于统计异质性与资源约束之间的固有张力。客户端间的非独立同分布(non-IID)数据分布(如图1所示)导致优化不一致性,从而降低模型收敛性,而边缘设备的资源多样性——计算能力、能源预算和网络连接的差异——则构成了复杂的多目标优化景观。常规客户端选择策略,无论是联邦平均(FedAvg)中的随机采样,还是联邦粒子群优化(FedPSO)中的基础优化,都无法捕捉这种多维复杂性,导致性能次优和资源利用效率低下。联邦学习在边缘物联网环境中的部署面临三重挑战:来自非IID数据分布的统计异质性、因设备能力差异导致的系统异质性,以及带宽受限网络中的通信瓶颈。此外,分布式物联网系统中的安全问题进一步增加了实际实施的复杂性。这些挑战在智能制造、结构健康监测和智能电网管理等工程领域尤为突出,在这些领域中,可靠、通信高效且具有能耗意识的分布式学习至关重要。山地瞪羚优化算法(MGO)通过其探索与开发动力学的自然平衡呈现出引人注目的替代方案。MGO受山地瞪羚觅食行为的启发,在动态环境中表现出卓越的适应性,这一特性对于波动的边缘网络中的客户端选择至关重要。然而,现有的MGO应用缺乏与方差感知稳定性分析和多准则优化的结合,而后者对于联邦学习独特的约束条件是必需的。在本研究中,我们引入了FedMGO,这是一个全面的联邦学习框架,将MGO原则与专门的边缘环境机制相结合。我们的方法将客户端选择从简单的排名问题转化为复杂的多准则优化挑战。主要贡献包括:- **基于MGO的多目标客户端选择**:一种创新的构建方法,利用MGO进行客户端选择,通过复合适应度函数中的集成方差分析,同时优化模型准确率、通信效率和时间稳定性,评估性能和稳定性指标。- **双层MGO整合**:一个创新框架,将MGO同时应用于本地模型优化和客户端选择,在客户端和服务器端过程中创建统一的仿生优化方法。- **自适应优化机制**:一种定制的优化机制,根据收敛进度和网络条件动态调整客户端选择参数,整合准确率加权聚合和渐进式探索-开发平衡。- **全面评估框架**:在现实非IID设置下的CIFAR-10数据集上进行的广泛实验,证明了71.58%的准确率,与FedAvg相比通信减少80%,通过严格的经验分析验证了计算-通信权衡。- **能耗-计算权衡的经验验证**:除算法贡献外,我们提供了执行时间和能耗的全面经验分析,证明尽管每轮有17.5%的计算开销,FedMGO仍实现了57.5%的总能耗节省,并将收敛时间减少了41.3%(与FedAvg相比),验证了其在资源受限的边缘物联网环境中的实际可行性。本文其余部分系统地展开这些贡献:第2节介绍现有方法;第3节详细说明FedMGO的架构;第4节呈现经验验证;第5节提供综合分析结果的解释;第6节讨论影响和未来方向。**章节摘要****背景和相关工作**本节回顾了联邦学习(FL)和智能客户端优化领域的理论基础和研究背景。首先,我们介绍联邦学习的基本原理,然后引入MGO算法。随后,我们分析各种客户端选择策略,最后说明本研究的差距和创新。**提出的FedMGO方法**本节阐述了FedMGO的架构蓝图和运行机制,从整体视角呈现其设计原理、系统框架、实施方案和突破性创新,共同解决边缘物联网生态系统中联邦学习面临的独特挑战。**实验结果与讨论**为了评估所提出的FedMGO算法的有效性,我们实施了一个具有有限计算资源和高度统计异质性的现实边缘物联网环境。在此设置下,我们根据多个评估指标将FedMGO与两种广泛使用的方法FedAvg和FedPSO进行比较,包括分类准确率、收敛速度、通信成本以及非IID条件下的鲁棒性。FedAvg采用均匀随机客户端参与,这通常……**讨论**本节对实验发现进行了综合分析,将理论基础与经验观察联系起来,解释FedMGO的优越性能并讨论其更广泛的启示。在FedMGO中选择λ=0.5的决策是基于与先前工作进行一致性基准测试的需求。虽然进一步的调优可能会带来边际改善,但我们的主要目标是证明FedMGO在标准化联邦学习配置下的优越性,确保……**结论**在本研究中,我们提出了FedMGO,这是一种创新的联邦学习方法,专为资源受限和动态的边缘物联网环境而设计。通过将MGO整合到联邦学习范式中,FedMGO有效地解决了现有方法的关键局限,包括巨大的通信开销和收敛不稳定性,这在非IID和间歇性连接场景中尤为具有挑战性。在CIFAR-10数据集上的现实非IID条件下的实验评估……**CRediT作者贡献声明****Elahe Eslami**:写作–审阅与编辑,写作–原始草稿。**Seyed Abolfazl Shahzadeh Fazeli**:写作–审阅与编辑,写作–原始草稿,监督指导。**Jamshid Abouei**:写作–审阅与编辑,写作–原始草稿。**Elham Abbasi**:写作–审阅与编辑,写作–原始草稿。**Seyed Mehdi Karbassi**:写作–审阅与编辑。**利益冲突声明**作者未接受任何资金支持本研究。Elahe Eslami | Seyed Abolfazl Shahzadeh Fazeli | Jamshid Abouei | Elham Abbasi | Seyed Mehdi Karbassi
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号