AdaCLP：适用于异步移动设备的高效联邦学习算法，能够处理数据分布时间不平衡的情况

首页今日动态人才市场新技术专栏中国科学人云展台
BioHot
云讲堂直播会展中心特价专栏技术快讯免费试用

生物通官微
陪你抓住生命科技
跳动的脉搏

生物通首页 > 今日动态 > 正文

《IEEE Transactions on Mobile Computing》：AdaCLP: Efficient Federated Learning for Asynchronous Mobile Devices with Temporally Imbalanced Data

【字体：大中小】 时间：2025年12月18日 来源：IEEE Transactions on Mobile Computing 9.2

编辑推荐：

　　流联邦学习在时间上不平衡数据流中的模型可塑性维护与能效优化方法。针对移动设备实时处理传感器数据流时存在的早期数据类失衡问题，提出AdCLP调度器，通过 staleness-decayed 机制动态延长关键学习期（CLP），并整合CLP-自适应的动态电压频率缩放策略，在准确率提升11%的同时降低69.5%能耗。

　　```html

摘要：

联邦学习（FL）使移动设备能够在保持数据隐私的同时协作训练深度学习模型，并将通信开销降至最低。然而，传统的FL方法通常假设可以访问预先收集的数据集，这对于现实世界中的移动设备来说并不现实，因为这些设备在运行过程中会持续收集传感器数据流，但由于内存限制而无法保留这些数据。流式联邦学习（SFL）通过支持从实时数据流中直接进行在线学习和异步模型聚合，部分解决了这一限制。然而，在移动数据流中的一个关键挑战是时间上的类别不平衡，这可能导致在模型表现出最高可塑性的初始训练阶段（CLP）期间，流式FL过程偏向于较早到达的数据类别。为了解决这个问题，我们提出了一种名为

热点排行

新闻专题

联系信箱：

粤ICP备09063491号