Battery-aware Cyclic Scheduling in Energy-harvesting Federated Learning

要約

Federated Learning（FL）は、分散学習のための有望な枠組みとして浮上していますが、その複雑さの高まりにより、特にクライアント側の計算から大きなエネルギー消費が生じています。
この課題は、エネルギーハーベストFL（EHFL）システムで特に重要です。このシステムでは、エネルギーリソースが限られているためにデバイスの可用性が変動します。
これらの問題に対処するために、ユーザーのバッテリーレベルに基づいて周期的なクライアント参加を導入するバッテリー認識FLフレームワークであるFedBacysを提案します。
FEDBACYSにより、クライアントは、クライアントをクラスタリングし、関与を順番にスケジュールすることにより、指定された送信時間の直前にエネルギーを節約し、ローカルトレーニングを戦略的に実行できます。
この設計は、冗長計算を最小限に抑え、システム全体のエネルギー使用量を削減し、学習安定性を向上させます。
私たちの実験は、FedBacysがエネルギー効率と性能の一貫性の観点から既存のアプローチを上回ることを示しており、非I.Dでも堅牢性を示しています。
データ分布のトレーニングと、非常にまれなバッテリー充電を備えています。
この作業は、EHFLへの周期的なクライアント参加の最初の包括的な評価を提示し、通信コストと計算コストの両方を統一されたリソースを認識したスケジューリング戦略に組み込みます。

要約(オリジナル)

Federated Learning (FL) has emerged as a promising framework for distributed learning, but its growing complexity has led to significant energy consumption, particularly from computations on the client side. This challenge is especially critical in energy-harvesting FL (EHFL) systems, where device availability fluctuates due to limited and time-varying energy resources. We propose FedBacys, a battery-aware FL framework that introduces cyclic client participation based on users’ battery levels to cope with these issues. FedBacys enables clients to save energy and strategically perform local training just before their designated transmission time by clustering clients and scheduling their involvement sequentially. This design minimizes redundant computation, reduces system-wide energy usage, and improves learning stability. Our experiments demonstrate that FedBacys outperforms existing approaches in terms of energy efficiency and performance consistency, exhibiting robustness even under non-i.i.d. training data distributions and with very infrequent battery charging. This work presents the first comprehensive evaluation of cyclic client participation in EHFL, incorporating both communication and computation costs into a unified, resource-aware scheduling strategy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google