异质性意识的协作联邦边缘学习：自适应计算与通信压缩

本研究针对云端联邦学习的不足，提出了一种异质性意识的协作联邦边缘学习方案（HCEF），旨在提高移动边缘网络中模型的准确性，同时减少训练时间和能耗。该方案通过理论分析局部更新频率和梯度压缩对收敛误差界限的影响，开发了高效的在线控制算法，以动态确定异质设备的局部更新频率和压缩比。实验结果表明，HCEF在保持较高模型准确性的同时有效降低了训练延迟和提高了能效。