基于边缘设备上增量学习的联邦学习模型更新与通信效率优化研究综述.docVIP

基于边缘设备上增量学习的联邦学习模型更新与通信效率优化研究综述

一、研究背景与问题提出

随着物联网与边缘计算技术的快速普及，海量分布式边缘设备（如智能手机、智能家居节点、工业传感器等）产生的数据规模呈指数级增长。传统集中式机器学习框架需要将所有数据上传至云端服务器处理，不仅面临数据隐私泄露风险，还会产生巨大的传输带宽开销与处理延迟。联邦学习作为分布式机器学习的典型范式，允许设备在本地训练模型、仅上传模型更新参数，在保护数据隐私的同时降低了数据传输成本，成为边缘智能场景的核心技术之一。

但传统联邦学习框架在真实边缘场景落地时面临双重瓶颈：一方面，边缘设备的数据分布通常呈现非独立同分布（Non-IID）特征，且数据随时间动态增量产生，静态预训练的全局模型难以适配持续变化的本地数据分布，容易出现灾难性遗忘问题；另一方面，边缘设备的网络带宽、计算能力、存储资源普遍受限，每次迭代传输完整的高维模型参数会产生极高的通信开销，大量低资源设备甚至无法参与联邦训练过程。在此背景下，将增量学习与联邦学习框架融合，同时优化模型更新机制与通信效率，成为解决边缘场景下联邦学习落地难题的核心研究方向，近年来受到学术界与工业界的广泛关注。

二、面向边缘增量场景的联邦学习模型更新机制

（一）增量学习与联邦学习的融合架构

当前主流的融合架构主要分为三类：客户端增量驱动架构、服务器端全局增量调度架构、双向协同增量架构