A Novel Collaborative Framework for Efficient Synchronization in Split Federated Learning Over Wireless Networks

Haoran Gao

doi:10.1109/mnet.2025.3650107

A Novel Collaborative Framework for Efficient Synchronization in Split Federated Learning Over Wireless Networks

2026-01-13

0

PRE

AI

DOI：10.1109/mnet.2025.3650107

原文链接

原文求助

摘要

En 中文

协同分割联邦学习（CSFL）为无线网络中的分布式模型训练提供了一种有前景的方法，结合了分割学习的层分区优势和确保全局收敛的联邦聚合。然而，在异构无线环境中，设备能力和信道条件的差异使得严格的轮次同步受到严重拖累现象的影响，从而限制了效率和可扩展性。为解决这一挑战，我们提出了一种新的框架，称为协同分割联邦学习（CSFL），通过设备到设备（D2D）协作重新定义工作负载再分配。基于模型分区的灵活性，CSFL使高效设备在完成自身正向传播后，无缝接管瓶颈设备的未完成层。这一协作过程通过D2D通信支持，使瓶颈设备能够更早地卸载计算，同时保持网络中的同步进展。除了系统设计外，我们还强调了隐私保护、多视角匹配和激励机制等关键技术使能器，并讨论了匹配平衡、隐私风险和激励可持续性等实际挑战。案例研究表明，CSFL显著降低了训练延迟，而不会影响收敛速度或准确性，强调了协作作为下一代无线网络中同步高效学习的关键使能因素。

Keyword:

Servers

Training

Synchronization

Collaboration

Computational modeling

Wireless networks

Federated learning

Computational efficiency

Performance evaluation

Distributed computing

A Novel Collaborative Framework for Efficient Synchronization in Split Federated Learning Over Wireless Networks

摘要

期刊

机构

引用论文