Autonomous Model Aggregation for Decentralized Learning on Edge Devices

Jinru Chen

doi:10.1109/TPDS.2025.3621058

Autonomous Model Aggregation for Decentralized Learning on Edge Devices

2025-10-14

0

PRE

AI

DOI：10.1109/TPDS.2025.3621058

原文链接

原文求助

摘要

En 中文

边缘AI应用使边缘设备能够通过重复的模型聚合协作学习模型，旨在利用设备上的分布式数据以实现高模型精度。现有方法要么利用中心化服务器直接聚合来自边缘设备的模型更新，要么需要中心协调器将边缘设备分组以进行局部模型聚合。中心化服务器（或协调器）存在性能瓶颈，且在大规模网络中收集用于分组决策的全局状态成本高昂。在本文中，我们提出了一种用于边缘设备大规模去中心化学习的自主模型聚合（AMA）方法。AMA无需中心协调器对边缘设备进行分组，而是允许边缘设备根据模型功能相似性和历史分组信息，通过高效协议自主形成分组。此外，AMA采用强化学习的方法优化每个分组的大小。在我们自主研发的边缘计算测试平台上的评估结果表明，AMA在精度上比基准方法最高提升20.71%，并将收敛时间缩短了75.58%。

Keyword:

Edge intelligence

distributed edge learning

model aggregation

Autonomous Model Aggregation for Decentralized Learning on Edge Devices

摘要

期刊

机构

引用论文