能耗约束下分层联邦学习模型质量优化的节点协作机制

来源：计算机应用杂志2025年第5期北京时间：

作者：范亚州, 李卓

单位：1.网络文化与数字传播北京市重点实验室（北京信息科技大学），北京 100101；2.北京信息科技大学 计算机学院，北京 100101

摘要：边缘生成的大量数据可以通过联邦学习（FL）的方式训练全局模型，因此边缘计算与联邦学习的结合已成为降低网络能耗的关键技术。在分层联邦学习（HFL）中，边缘设备的局部数据量和数据质量的差异会直接影响HFL全局模型的质量。为此，提出一种传输能量约束下的节点协作算法（NCATTECC）解决传输能耗限制下全局模型质量最优化问题，证明了该问题是一个NP-hard（Non-deterministic Polynomial-hard）问题，同时证明了所提算法具有（1-1/e）的近似比例。具体而言，通过协作，可以在不超过传输能耗限制的情况下，让更多的优质节点参与训练。在广泛使用的CIFAR-10、FashionMNIST数据集上的仿真实验结果表明，所提算法对所选节点进行训练，得到的模型准确率比FedAvg（Federated Averaging）和Fed-CBS（Federated Class-balanced Sampling）分别高出4.47%、6.64%和3.47%、4.58%。

关键词：分层联邦学习,端到端通信,节点协作,模型质量优化,能耗限制

基金资助：国家重点研发计划项目(2022YFF0604502);北京市自然科学基金资助项目(4232024)