启用MEC的层次联合学习,用于在IIoT中对资源有意识的设备选择
1School of Computer Science and Engineering, Guilin University of Technology, Guilin 541004, China.
Sensors (Basel, Switzerland)
|February 27, 2026
概括
本研究介绍了工业物联网 (IIoT) 中等级联合学习 (HFL) 的设备选择策略,以提高模型融合稳定性. 拟议的方法提高了资源效率和在动态边缘计算环境中的培训稳定性.
科学领域:
- 人工智能的人工智能
- 计算机科学 计算机科学
- 电气工程 电气工程
背景情况:
- 基于移动边缘计算 (MEC) 的等级联合学习 (HFL) 对工业物联网 (IIoT) 是有前途的,因为它减少了通信开销.
- 动态设备参与和现实世界IIoT中的各种培训目标阻碍了模型融合和系统性能.
研究的目的:
- 为 IIoT 中的 HFL 提出一个动态设备选择策略,以增强模型融合稳定性.
- 在动态条件下优化系统资源消耗和模型性能.
主要方法:
- 基于任务完成概率的设备选择策略被开发为动态设备参与.
- 制定了一个优化目标,以尽量减少资源限制下的损失函数.
- 该目标被重新定义为损失上限最小化问题,并以代方式解决.
主要成果:
- 拟议的方法在模拟中证明了卓越的资源效率和培训稳定性.
- 与最先进的HFL相比,新方法将平均培训时间延迟降低了18%,能源消耗降低了22%.
- 在动态的IIoT条件下,保持了竞争型号的准确性.
结论:
- 联合优化战略有效地解决了IIoT动态HFL的挑战.
- 该方法验证了在实际IIoT应用中平衡资源效率,培训稳定性和模型性能的可行性.

