
-
生物通官微
陪你抓住生命科技
跳动的脉搏
FedCogniBand:面向通信受限的联邦学习中基于认知感知的预测带宽分配机制
《Scientific Reports》:FedCogniBand: cognition-aware predictive bandwidth allocation for communication-limited federated learning
【字体: 大 中 小 】 时间:2026年08月09日 来源:Scientific Reports 4.9
编辑推荐:
摘要联邦学习能够实现分散在各地的客户端之间的协作模型训练,同时保障数据隐私;然而,实际应用中由于上行带宽限制严重以及数据异质性显著,这一技术的应用受到了极大阻碍。尽管近年来出现了一些能够节省通信资源的联邦学习方法,比如自适应稀疏性和基于重要性意识的带宽分配策略,但现有的系统大多仍
联邦学习能够实现分散在各地的客户端之间的协作模型训练,同时保障数据隐私;然而,实际应用中由于上行带宽限制严重以及数据异质性显著,这一技术的应用受到了极大阻碍。尽管近年来出现了一些能够节省通信资源的联邦学习方法,比如自适应稀疏性和基于重要性意识的带宽分配策略,但现有的系统大多仍主要关注当前客户端的状况。这些方法仅依赖当前客户端的指标,如损失值或梯度范数,而未考虑客户端行为随时间的变化,从而导致带宽使用效率低下、训练过程不稳定,以及最差性能客户端的提升被推迟。本研究提出了FedCogniBand,这是一种智能联邦学习系统,它通过分析并预测客户端随时间的变化风险来规划和管理通信资源。每个客户端都有一个简化的认知特征描述,其中包含了历史损失趋势、短期性能表现以及更新稳定性等信息。服务器会利用简单的预测工具,根据客户端的历史认知数据来评估其未来表现,并在严格遵守整体预算的前提下,为短期内分配合适的带宽。为了提高通信效率,FedCogniBand采用了基于语义的稀疏性策略,根据各层对最差客户端性能的影响程度而非原始梯度大小来决定模型参数的优先级。该系统还有一种能够动态考虑不确定性的控制方法,用于平衡预测性分配与反应式分配。实验表明,即使在噪声较大或环境非稳定的情况下,系统的性能依然稳定。在具有严格带宽限制的图像分类和网络流量分类任务中的大量测试显示,与现有的顶级自适应联邦学习方法相比,FedCogniBand能够持续提升最差性能客户端的准确率,使训练过程更加稳定,同时减少不必要的通信量。这些结果证明,采用基于智能预测的资源管理方式,能够在资源极为有限的条件下构建出可靠且可扩展的联邦学习系统。