FedQS: asynchronous federated learning based on queue scheduling

doi:10.1186/s13677-026-00977-4

FedQS: asynchronous federated learning based on queue scheduling

2026-09-04

0

OA

AI

DOI：10.1186/s13677-026-00977-4

原文链接

原文求助

摘要

En 中文

随着物联网（IoT）和边缘计算的快速发展，联邦学习（FL）作为一种有前景的分布式框架应运而生，能够在有效利用分布式设备执行机器学习任务的同时保护数据隐私。然而，在实际场景中，由于设备异构性和通信延迟显著，传统同步FL常因拖尾效应而效率低下。尽管异步联邦学习（AFL）已被提出以缓解此问题，但仍面临模型陈旧和训练偏差的挑战，阻碍了收敛性能。为解决这些问题，本文提出了一种名为FedQS的异步框架。首先，FedQS采用多维陈旧度评估机制，通过结合本地与全局模型的相似性及客户端延迟指标动态评估更新。其次，为解决训练偏差与模型陈旧间的耦合，我们通过队列调度算法实现了解耦方案。该算法在选定的快速辅助客户端上仅使用辅助客户端的本地私有数据重新处理高陈旧度模型参数，同时保留原始上传客户端的来源，旨在减少聚合中的陈旧更新效应。最后，在聚合阶段，框架根据客户端贡献重新校准聚合权重，以降低训练偏差并提高全局模型精度。在Fashion-MNIST和CIFAR-10数据集上的对比实验表明，FedQS优于四种代表性基线方法（FedAsync、FedBuff、KAFL和CAFL），平均准确率提升8.62%。

Keyword:

Asynchronous federated learning

Queue scheduling

Model staleness

Training bias

FedQS: asynchronous federated learning based on queue scheduling

摘要

期刊

机构