GRACE-FL：绿色资源感知型、通信高效的可联邦学习框架

《IEEE Transactions on Artificial Intelligence》：GRACE-FL: Green Resource-Aware Communication-Efficient Federated Learning

联邦学习在资源受限设备上部署的挑战，包括高通信开销、能耗不均和非IID数据分布。GRACE-FL框架通过动态调整学习率、本地训练轮次和梯度量化位宽，结合能量加权聚合策略，在保证模型收敛速度的同时显著降低能耗（20-30%）和通信成本（28%），实验验证了其在真实边缘设备上的有效性。

　　```html

影响声明：

GRACE-FL框架通过解决能源效率低下、通信开销大以及客户端问题等关键挑战，标志着联邦学习（FL）领域的重大进步...显示更多

摘要：

联邦学习（FL）能够在保持数据隐私的同时，实现分布式客户端之间的协作模型训练，但其 在资源受限设备上的部署受到高通信开销、能源使用效率低下以及在非独立同分布（non-IID）数据分布下收敛性能差的限制。为了解决这些问题，我们提出了GRACE-FL：一种具有绿色资源感知和通信效率的联邦学习框架，该框架明确地将设备能源容量纳入训练过程中。每个客户端会根据自身的可用能源情况调整学习率、本地训练周期数以及梯度量化位数，从而让高容量设备能够进行更密集的训练，而低容量设备则采用较轻的配置。一种新颖的能量加权聚合策略确保了拥有更多能源资源的客户端能够对全局模型做出更大贡献，同时保持公平性。从理论上讲，我们在标准非凸假设下证明了GRACE-FL能够获得无偏的梯度估计，并保证收敛速度达到 O