来源：期刊VIP网 时间：
作者：曹绍华;杨雁升;陈辉;吴希文;郑丹阳;张卫山;
单位：中国石油大学(华东)青岛软件学院、计算机科学与技术学院;西南交通大学计算机与人工智能学院;
摘要：工业物联网(Industrial Internet of Things, IIoT)场景中，AI与边缘计算的深度融合正在逐渐兴起。然而，IIoT设备的通信和计算资源有限，且这些设备产生的数据通常隐私且高度异构，如何在确保数据安全的同时加速模型训练与推理，仍是一个开放的问题。联邦学习(Federated Learning, FL)作为一种新兴的隐私保护框架，在隐私保护和数据安全方面具有巨大潜力，但受限于资源有限的设备，其计算与通信效率的提升仍面临挑战。为解决上述问题，提出了FedEdgent框架，该框架基于深度神经网络(Deep Neural Network, DNN)的分割，构建了一个端边云协同系统。FedEdgent通过深度强化学习(Deep Reinforcement Learning, DRL)实现动态FL任务卸载策略，提升了端边云的协作训练效率。结合模型压缩技术，FedEdgent框架选择对全局FL模型贡献较大的DNN层进行优化，减少通信开销并提高通信效率。实验结果表明，相较于集中式FL,FedEdgent在保持相似准确率的同时，训练时间减少了约60%,上传参数量平均减少了25%。
关键词：联邦学习;;计算卸载;;深度强化学习;;神经网络分割
基金资助：山东省自然科学基金(ZR2024MF093)~~
