Richtung energieeffizientes föderiertes Lernen über einen kollaborativen Rechenansatz

Diese Forschung beschäftigt sich mit den Konsequenzen der hohen Komplexität von auf Geräten ausgeführten Vorgängen während des föderierten Lernprozesses. Wir untersuchen, wie die unterschiedlichen Rechenfähigkeiten und Batteriestände mobiler Geräte Leistungsunterschiede verursachen und die Trainingsqualität beeinflussen können. Daher schlagen wir zur Bewältigung dieser Herausforderungen EAFL+ vor, eine neuartige Technik zur Energieoptimierung, die sich auf das Management des Stromverbrauchs in Geräten mit begrenzter Batteriekapazität konzentriert. EAFL+ ist ein cloud–edge-terminal kollaborativer Ansatz, der ein neues Architekturdesign zur Erreichung eines energiebewussten FL-Trainings bietet, indem er Ressourcendiversität und Berechnungsentlastung nutzt. Das innovative Schema ermöglicht die effiziente Auswahl eines annähernd optimalen Entlastungsziels aus einer Reihe von Cloud-Schicht, Edge-Schicht und Terminal-Schicht Ressourcen und erreicht den besten Kosten-Qualitäts-Kompromiss für die Geräte, die am FL-System teilnehmen. Unsere Bewertung zeigt, dass EAFL+ helfen kann, die Energie der an der Schulung teilnehmenden Geräte zu sparen, was die Teilnahmequoten verbessert und die Beiträge der Klienten erhöht, wodurch eine höhere Genauigkeit und schnellere Konvergenz erreicht wird. Durch Experimente mit realen Datensätzen und -verläufen in einer emulierten FL-Umgebung reduziert EAFL+ die Abbrecherquote der Klienten auf null und verbessert die Genauigkeit um bis zu 24 % bzw. 9 % im Vergleich zu EAFL und Oort.