基于流数据的能效联合边缘学习：一种 Lyapunov 优化方法
内容提要
本文提出了一种基于Lyapunov优化框架的动态调度策略，旨在最大化用户生成训练数据的时间平均重要性，同时满足能耗和延迟约束。研究了联邦边缘学习系统中的挑战，提出数据感知调度框架，并探讨数据隐私保护和能效传输的问题。通过优化资源分配和调度策略，显著提升了学习性能和节能效果。
延伸解读
Lyapunov优化如何平衡数据重要性与系统约束
文章采用Lyapunov优化框架设计动态调度策略，核心是在满足能耗和延迟约束的前提下，最大化用户生成训练数据的时间平均重要性。这种方法特别适合训练数据生成具有强时间相关性的场景，因为Lyapunov优化能在线适应数据重要性的波动，无需预知未来信息，从而在长期平均意义上实现最优权衡。
弱信道与低算力设备的带宽分配策略
与传统的速率最大化设计不同，该策略为弱信道和计算能力较差的设备分配更多带宽，以确保联邦边缘学习中模型的同步更新。同时，通过移动策略给予信道和计算能力更好的设备更高优先级，以提升学习性能。这种差异化资源分配在实验中被证明能显著节能，尤其对资源受限设备效果明显。
联邦边缘学习中的隐私与能效协同
文章探讨的联邦边缘学习框架通过本地模型训练和全局模型协调实现隐私保护，同时提出节能策略优化带宽分配和时间安排。这表明隐私保护和能效并非完全对立，通过合理的资源调度可以在不泄露原始数据的前提下降低设备能耗，为实际部署提供了可行路径。
Q&A
Lyapunov优化框架在动态调度策略中有什么作用？
Lyapunov优化框架用于设计动态调度策略，以最大化用户生成训练数据的时间平均重要性，同时满足能耗和延迟约束。
联邦边缘学习系统面临哪些挑战？
联邦边缘学习系统面临的挑战包括数据生成的时间相关性、能耗和延迟约束，以及数据隐私保护问题。
如何优化联邦边缘学习中的资源分配？
通过优化带宽分配和时间安排，结合设备的信道状态和计算能力，来减少能耗并提高学习性能。
提出的节能策略有哪些具体措施？
节能策略包括根据设备的信道状态分配更多带宽，并设计移动策略以优先考虑更强的设备。
数据隐私保护在联邦边缘学习中如何实现？
通过在边缘设备上进行本地模型训练，并与全局模型协调，来实现数据隐私保护。
实验结果显示了什么样的节能效果？
实验结果表明，提出的策略在节能方面有显著提升，尤其是在弱信道和计算能力较差的设备上。
