Communication-Efficient Semantic Split Federated Learning via Variational Information Bottleneck Driven Dynamic Slicing

doi:10.1109/lwc.2026.3734265

Communication-Efficient Semantic Split Federated Learning via Variational Information Bottleneck Driven Dynamic Slicing

2026-09-16

0

PRE

AI

DOI：10.1109/lwc.2026.3734265

原文链接

原文求助

摘要

En 中文

本通信提出了一种新颖的信道感知语义安全联邦学习（CA-SSFL）框架。客户端模型采用双掩码架构，其中分布式变分信息瓶颈（VIB）通过优先考虑特征维度生成语义掩码，而信噪比（SNR）驱动模块产生反映传输预算的动态信道掩码。语义掩码和信道掩码的逐元素乘积实现了一种动态切片机制，能够在当前信道条件下抑制无关或不稳定的特征。在CIFAR-10和CIFAR-100数据集的非独立同分布（non-IID）设置下的大量实验表明，所提出的CA-SSFL框架显著降低了通信成本，同时在严重噪声条件下实现了有利的准确率-通信权衡。

Keyword:

Split federated learning

semantic communication

communication efficiency

Communication-Efficient Semantic Split Federated Learning via Variational Information Bottleneck Driven Dynamic Slicing

摘要

期刊

机构

引用论文