基于匹配的模型卸载边缘联邦学习方法

作     者：顾永跟 张吕基 吴小红 陶杰 Gu Yonggen;Zhang Lyuji;Wu Xiaohong;Tao Jie

作者机构：湖州师范学院信息工程学院浙江湖州313000 

出 版 物：《计算机应用研究》 (Application Research of Computers)

年 卷 期：2025年第42卷第1期

页      面：139-148页

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 08[工学] 081201[工学-计算机系统结构] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：湖州市科技计划重点研发资助项目(2022ZD2002) 

主　　题：联邦学习 滞后者效应 模型卸载 强弱匹配 资源异质性 模型重构 边缘计算 

摘      要：针对边缘计算环境下联邦学习中因资源异质性导致的“滞后者效应等问题,提出基于匹配的模型卸载边缘联邦学习方法(Fed-MBMO)。该方法通过收集边缘设备的性能分析结果,将设备分别划分为强、弱客户端,考虑了模型训练的四个阶段时间占比,弱客户端通过冻结部分模型以节省在特征层上反向传播的时间,并将模型卸载至“强客户端进行额外的训练,最后将强客户端模型的特征层与弱客户端的全连接层进行模型重构。为提高模型卸载效率,综合考虑模型特征层的相似度与任务完成时间构建了卸载成本矩阵,并将问题转换为迭代求解基于二部图的最优匹配问题,提出基于Kuhn-Munkres(KM)的模型卸载算法并进一步分析了Fed-MBMO算法的时间复杂度。实验结果表明,在资源与数据极端异质的情况下,该方法能够加速模型收敛,模型训练时间与FedAvg、FedUE和Aergia相比分别平均减少46.65%、12.66%、38.07%。实验结果证明了所提的Fed-MBMO算法能够有效解决“滞后者效应问题并显著提高联邦学习效率。