Semantic utility-driven client selection for task-oriented split federated learning

doi:10.1007/s40747-025-02206-y

Semantic utility-driven client selection for task-oriented split federated learning

2025-12-30

0

OA

AI

DOI：10.1007/s40747-025-02206-y

原文链接

查看原文

摘要

En 中文

任务导向的分割联邦学习（TOSFL）是一种融合了分割学习和语义通信的协作智能框架，在边缘智能领域具有巨大潜力。然而，其实际应用因固有的信息不对称而受阻，这严重影响了训练效率与安全性。本文介绍了语义效用驱动的客户端选择（SUCS）框架。SUCS的核心是语义效用指数（SUI），这是一种新型指标，旨在从两个正交维度量化客户端的贡献：（1）瞬时数据价值，从信息论角度衡量客户端数据如何降低全局模型的不确定性；（2）长期模型声誉，通过追踪历史表现评估可靠性。基于SUI，我们开发了一种动态选择与反馈机制，以优化客户端参与并指导本地数据采样。在多个数据集和两项任务上的全面实验表明，SUCS相较于随机选择基线，可将测试准确率提高5.5%，将收敛所需的通信轮次减少28%，并在数据冗余和对抗攻击方面表现出显著的鲁棒性。

Keyword:

Split Federated Learning

Task-Oriented Semantic Communication

Client Selection

Feature Importance

Semantic utility-driven client selection for task-oriented split federated learning

摘要

AI总结

期刊

机构