摘要
联邦学习使模型能够在边缘和分布式服务环境中进行训练，而无需直接共享原始数据。在长期运行的边缘联邦服务中，固定的协作结构可能在工作负载漂移下变得低效，而频繁的重新分组则可能带来迁移开销、群组流失以及额外的隐私预算消耗。本文研究了在工作负载漂移、隐私预算约束以及迁移或重构成本条件下的预算优先动态重新分组问题。我们构建了一个动态重新分组问题，联合考虑工作负载压力、剩余隐私预算、服务效用和重新分组成本。我们提出了预算优先动态重新分组（BP-DR），这是一种基于触发的局部方法，评估单节点候选操作，并在每个时间步中最多提交一次重新分组操作。候选操作仅在满足隐私预算可行性且其效用提升超过一个阈值时才被接受，该阈值综合了防振荡裕度、迁移或重构成本以及隐私预算机会成本。我们从一步局部比较中推导了这一触发机制，并证明了其关于迁移或重构成本及剩余隐私预算的单调性。基于阿里巴巴集群2018年轨迹的驱动实验表明，在动态和压力测试场景下，BP-DR在保持具有竞争力的迁移调整效用方面表现优异，同时控制着重新分组活动。FLamby Fed-Heart-Disease验证进一步显示，在对比方法之间具有相似的学习性能，同时展示了BP-DR与群组感知联邦训练的集成效果。
