计算机应用研究

作者：顾永跟,张吕基,吴小红,陶杰,

单位：湖州师范学院信息工程学院,浙江湖州313000；

关键词：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,

基金：湖州市科技计划重点研发资助项目(2022ZD2002)；；

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。

来源：2025年第1期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2025年第1期