Federated Learning Over Wireless Channels: Dynamic Resource Allocation and Task Scheduling
随着联邦学习（FL）的发展，移动设备（MD）能够用私有数据训练它们的本地模型，并将它们发送到中央服务器进行聚合，从而防止敏感的原始数据泄漏。在本文中，我们的目标是提高FL系统的训练性能的背景下，无线信道和随机能量到达的MD。为此，我们动态优化MD的发射功率和训练任务调度。我们首先将这个动态规划问题建模为一个约束马尔可夫决策过程（CMDP）。由于我们的CMDP问题的高维度，我们提出了在线随机学习方法来简化CMDP和设计在线算法，以获得一个有效的政策，为所有MD。由于CMDP中存在长期约束，我们利用拉格朗日乘数法来解决这个问题。此外，我们证明了所提出的在线随机学习算法的收敛性。数值结果表明，所提出的算法可以获得更好的性能比基准算法。
2021-06-13 cs.DC
Eventually-Consistent Federated Scheduling for Data Center Workloads
本文扩展联邦式去中心化调度架构 Megha，利用并行性与最终一致全局状态缓解大规模数据中心的次优放置问题，并通过仿真和123节点集群实验证明其可持续降低作业完成延迟。
2023-08-20 cs.DC
Fair non-monetary scheduling in federated clouds
在混合云中，各个云服务提供商（CSP）通常有动机使用彼此的资源来卸载峰值负载或将负载放置在更靠近最终用户的地方。然而，社区服务提供商必须跟踪捐款和收益，以遏制长期搭便车的行为。我们展示了CloudShare，一个分布式版本的负载均衡算法DirectCloud的基础上Shapley值-一个强大的公平概念，从博弈论。CloudShare通过基于ZooKeeper的协调层协调CSP;每个CSP运行一个与本地资源（如Kubernetes管理的集群）交互的代理。我们定量评估我们的实现模拟。结果证实，CloudShare生成的平均时间表比流行的FairShare算法更公平。我们相信，我们的研究结果显示了一种可行的替代货币方法，例如，现货市场。
2018-03-16 cs.DC
Blockchain Assisted Federated Learning over Wireless Channels: Dynamic Resource Allocation and Client Scheduling
区块链技术已被广泛研究，以实现联邦学习（FL）中的分布式和防篡改数据处理。大多数现有的区块链辅助FL（BFL）框架都采用了第三方区块链网络来分散模型聚合过程。然而，去中心化的模型聚合容易受到来自第三方区块链网络的池化和共谋攻击。在这个问题的驱动下，我们提出了一个新的BFL框架，其特点是在客户端集成训练和挖掘。为了优化FL的学习性能，我们提出了最大化的长期时间平均（LTA）训练数据大小的约束下的LTA能量消耗。为此，我们用公式表示训练客户端选择和资源分配的联合优化问题（即，客户端的发射功率和计算频率），并基于李雅普诺夫技术求解长期混合整数非线性规划。特别地，所提出的动态资源分配和客户端调度（DRACS）算法可以实现[ $\mathcal{O}(1/V)$，$\mathcal{O}(\sqrt{V})$ ]的折衷，以利用控制参数$V$来平衡LTA训练数据大小的最大化和LTA能量消耗的最小化。我们的实验结果表明，建议的DRACS算法实现了更好的学习精度比基准客户端调度策略有限的时间或能源消耗。
2022-10-31 cs.DC
A Knowledge Distillation-empowered Adaptive Federated Reinforcement Learning Framework for Multi-Domain IoT Applications Scheduling
针对异构云边IoT环境中的多域应用调度难题，本文提出KD-AFRL框架，融合自适应双区网络、差分隐私环境聚类联邦学习与跨架构知识蒸馏，显著提升收敛、调度性能与可扩展性。
2025-08-29 cs.DC
Nautilus: A Verifiable Hierarchical Federated Learning Framework for Vehicular-Edge-Cloud Systems
Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；University of Chinese Academy of Sciences（中国科学院大学）；Beihang University（北京航空航天大学）
针对车联网中资源极端异构导致联邦学习效率低下的问题，提出Nautilus框架，通过多维资源感知调度算法和零知识证明机制，在保护隐私的同时实现高效且可验证的联邦学习。
2026-07-29 cs.DC
Integrated user scheduling and beam steering in over-the-air federated learning for mobile IoT
针对移动物联网联邦学习中无线资源稀缺导致的通信效率问题，提出用户调度与接收波束成形集成方案及低复杂度调度策略，有效降低聚合误差、提升学习性能。
2025-08-01 cs.DC
Blockchain-aided wireless federated learning: Resource allocation and client scheduling
针对无线网络中区块链辅助去中心化联邦学习面临的资源受限与训练延迟问题，提出DRC-BDFL算法联合优化资源分配与客户端调度，在保证准确率相当的同时显著降低了训练延迟。
2024-06-02 cs.DC
Update Estimation and Scheduling for Over-the-Air Federated Learning with Energy Harvesting Devices
Dept. of Electrical and Electronics Engineering, Bilkent University（电子与电子工程系，比尔肯特大学）；Dept. of Electrical and Electronic Engineering, Imperial College London（电子与电子工程系，帝国理工学院伦敦分校）
针对无线衰落MAC下能量收集设备的OTA联邦学习中低能量到达和数据异构性问题，提出熵基调度（已知分布）和最小二乘用户表示估计调度（未知分布）两种策略，通过选择多样化用户提升学习性能并节约能量。
2025-01-30 cs.DC cs.LG
Bringing Inter-Thread Cache Benefits to Federated Scheduling -- Extended Results & Technical Report
硬实时任务的多处理器调度模型的有向无环图（DAG）利用固有的并行模型。对于DAG任务，节点表示在其中一个可用处理器上执行对象的请求。在一个DAG任务中，可能存在针对一个对象的多个执行请求，每个执行请求由不同的节点表示。这些不同的执行请求提供了一个机会，通过协调调度对象作为并行任务中的线程来减少它们的组合缓存开销。这项工作的目标是实现这一机会，将缓存感知捆绑调度算法到零星DAG任务集的联邦调度。这是第一个将指令缓存共享纳入联邦调度的工作。结果是对DAG模型的修改，名为具有对象和线程的DAG（DAG-OT）。在DAG-OT模型下，节点的描述显式地包括其底层可执行对象和线程数量。如果可能，分配了相同可执行对象的节点将折叠成单个节点;在BUNDLE调度时加入它们的线程。与DAG模型相比，具有缓存感知调度的DAG-OT模型在综合评估中将分配给各个任务的核心数量减少了约20%，在新型并行计算平台实现中减少了高达50%。通过减少分配的核的数量，DAG-OT模型能够调度先前不可行的任务集的子集。
2020-02-28 cs.DC cs.OS
Efficient Data Labeling and Optimal Device Scheduling in HWNs Using Clustered Federated Semi-Supervised Learning
针对HWNs中设备缺乏真实标签导致收敛慢、资源消耗大的问题，提出CFSL框架，利用专门模型进行半监督数据标注并优化设备调度，实现高达51%节能。
2024-12-22 cs.DC
Age Aware Scheduling for Differentially-Private Federated Learning
Institute of Communications Engineering, National Yang Ming Chiao Tung University（国立阳明交通大学通信工程研究所）；Simula UiB（西挪威应用科技大学西蒙研究所）；Department of Communication Engineering, National Taipei University（国立台北大学通信工程学系）
本文研究时变数据库下差分隐私联邦学习中的年龄、准确性与隐私权衡问题，提出年龄感知调度方案以最小化模型损失差异，并通过仿真验证其优于经典差分隐私联邦学习。
2024-07-05 cs.CR cs.DC cs.LG
Adaptive Determinantal Client Scheduling in Federated Learning
University of Toronto（多伦多大学）；Ericsson（爱立信）
针对联邦学习中客户端调度忽视多样性的问题，提出基于行列式点过程的自适应调度算法ADCS，实现质量-多样性权衡，并给出收敛性分析，实验证明其优于现有算法。
2026-09-22 cs.DC cs.LG
Scheduling and Communication Schemes for Decentralized Federated Learning
Arab Academy for Science, Technology & Maritime Transport（阿拉伯科学、技术与海运学院）；University of Vigo（维戈大学）
本文提出一种采用SGD算法的去中心化联邦学习（DFL）模型，并设计了三种调度策略用于客户端与并行服务器间的通信，实验证明这些策略对收敛速度和最终全局模型有显著影响。
2023-11-27 cs.DC cs.LG
Version age-based client scheduling policy for federated learning
ZJU-UIUC Institute, Zhejiang University（浙江大学ZJU-UIUC联合学院）
针对联邦学习中客户端调度导致的过时更新问题，提出基于版本年龄信息（VAoI）的调度策略，兼顾时效与内容，最小化平均VAoI，提升系统稳定性。
2024-02-08 cs.DC cs.LG
Data-Aware Device Scheduling for Federated Edge Learning
Université de Sherbrooke（舍布鲁克大学）
联邦边缘学习（FEEL）涉及边缘设备之间的机器学习模型的协作训练，以及无线边缘网络中服务器的编排。由于频繁的模型更新，FEEL需要适应有限的通信带宽，边缘设备的稀缺能源，以及边缘设备的数据分布的统计异质性。因此，有必要仔细调度用于训练和上传模型的设备子集。与FEEL以前的工作相比，数据方面的探索不足，我们认为数据属性的心脏所提出的调度算法。为此，我们提出了一个新的调度方案，非独立和同分布（非IID）和不平衡的数据集FEEL。由于数据是学习的关键组成部分，我们提出了一套新的考虑因素，在FEEL无线调度算法的数据特性。事实上，设备收集的数据取决于本地环境和使用模式。因此，数据集在设备之间的大小和分布不同。在所提出的算法中，我们考虑数据和资源的角度。除了最小化FEEL的完成时间以及参与设备的传输能量之外，该算法还优先考虑具有丰富多样数据集的设备。我们首先定义了一个数据感知调度的总体框架和多样性评估的主轴和要求。然后，我们讨论多样性方面和一些可利用的技术和指标。接下来，我们制定的问题，并提出我们的FEEL调度算法。在不同的情况下的评估表明，我们提出的FEEL调度算法可以帮助实现高精度，在几轮降低成本。
2022-01-27 cs.DC cs.LG
Safe Serializable Secure Scheduling: Transactions and the Trade-off Between Security and Consistency
现代应用程序通常对多个管理域中的数据进行操作。在这种联合设置中，参与者可能不完全信任彼此。这些分布式应用程序使用事务作为核心机制，以确保持久数据的可靠性和一致性。然而，交易所需的协调机制可能会泄露机密信息，并允许未经授权的影响。通过实施一个简单的攻击，我们表明这些侧通道可以被利用。但是，我们的重点是防止这种攻击。我们探索原子，可序列化的事务在联邦设置的安全调度。虽然我们证明，没有协议可以保证在所有设置的安全性和活性，我们建立的条件下，可以安全地完成安全调度的事务集。基于这些条件，我们介绍了分阶段提交，一个安全的联邦事务调度协议。该协议通过将事务划分为不同的阶段来避免不安全的信息通道。我们实现了一个编译器，静态检查代码，以确保它符合我们的条件，和一个系统，使用分阶段提交协议调度这些事务。实验结果表明，该实现能够安全、原子、高效地调度真实的联邦事务。
2016-08-21 cs.CR cs.DC
Device Scheduling and Update Aggregation Policies for Asynchronous Federated Learning
Linköping University（林雪平大学）
联邦学习（FL）是一种新出现的分散式机器学习（ML）框架，它将设备上的本地训练与基于服务器的模型同步相结合，以在分布式节点上训练集中式ML模型。在本文中，我们提出了一个异步FL框架与定期聚集，以消除在FL系统中的掉队者的问题。对于所提出的模型，我们研究了几种设备调度和更新聚合策略，并比较它们的性能时，设备具有异构的计算能力和训练数据分布。从模拟结果中，我们得出结论，异步FL的调度和聚合设计可以是相当不同的同步情况。例如，基于范数的重要性感知调度策略在异步FL设置中可能不是有效的，并且用于模型聚合的适当的“年龄感知”加权设计可以极大地提高这样的系统的学习性能。
2021-07-23 cs.DC cs.IT cs.LG
Multi-Job Intelligent Scheduling with Cross-Device Federated Learning
Baidu Inc.（百度公司）；Soochow University（苏州大学）；Auburn University（奥本大学）；North Carolina State University（北卡罗来纳州立大学）
近年来，在终端用户的各种（边缘）设备中出现了大量分散的数据，而由于法规和法律的原因，分散的数据聚合对于机器学习工作仍然很复杂。作为一种处理分散数据的实用方法，联邦学习（FL）支持协作式全局机器学习模型训练，而无需共享敏感的原始数据。在FL的训练过程中，服务器将设备调度到作业。相比之下，FL中多个作业的设备调度仍然是一个关键和开放的问题。在本文中，我们提出了一种新的多任务外语框架，它使多个工作的训练过程中并行。多任务FL框架由系统模型和调度方法组成。该系统模型实现了多个作业的并行训练过程，并基于并行训练过程中不同设备的数据公平性和训练时间建立了成本模型。提出了一种新的基于多种调度方法的智能调度方法，包括一种基于强化学习的调度方法和一种基于贝叶斯优化的调度方法。我们对不同的工作和数据集进行了广泛的实验。实验结果表明，我们提出的方法在训练时间（快12.73倍）和准确性（高46.4%）方面明显优于基线方法。
2022-11-24 cs.AI cs.DC cs.LG
Multi-Criteria Client Selection and Scheduling with Fairness Guarantee for Federated Learning Service
University of Memphis（孟菲斯大学）；Shenzhen University（深圳大学）
针对联邦学习中的客户端选择与调度问题，提出一种多准则公平性保证方案，通过两阶段贪心与启发式算法，在预算内最大化得分并确保每个客户端至少被选一次，实验证明在非独立同分布数据下能提升模型质量。
2023-12-05 cs.DC cs.LG
Fairness-Aware Job Scheduling for Multi-Job Federated Learning
Nanyang Technological University（南洋理工大学）；DSO National Laboratories（DSO国家实验室）；Alibaba Group（阿里巴巴集团）；Alibaba-NTU Singapore Joint Research Institute（阿里巴巴-新加坡南洋理工大学联合研究院）
针对多服务器联邦学习中的客户端竞争问题，提出基于李雅普诺夫优化的公平性感知调度方法FairFedJS，兼顾需求与出价，显著提升调度公平性并缩短收敛时间。
2024-02-08 cs.AI cs.DC cs.LG
Device Scheduling and Assignment in Hierarchical Federated Learning for Internet of Things
School of Computer Science and Engineering at Nanyang Technological University（南洋理工大学计算机科学与工程学院）
针对分层联邦学习中的设备调度与分配问题，本文提出改进的K-Center算法和深度强化学习方法，实验表明调度50%或30%设备可显著降低时延与能耗。
2024-02-04 cs.DC cs.LG
Channel and Gradient-Importance Aware Device Scheduling for Over-the-Air Federated Learning
The Hong Kong University of Science and Technology（香港科技大学）；The Hong Kong Polytechnic University（香港理工大学）；Southeast University（东南大学）
本文提出用于空中联邦学习的概率设备调度框架PO-FL，通过基于信道与梯度重要性优化设备调度概率以减轻信道噪声影响，实现了更快的收敛和更优的模型性能。
2023-11-23 cs.DC cs.LG
Scheduling for On-Board Federated Learning with Satellite Clusters
University of Bremen（不来梅大学）；Gauss-Olbers Space Technology Transfer Center, University of Bremen（不来梅大学高斯-奥尔伯斯空间技术转移中心）；Aalborg University（奥尔堡大学）
本文提出一种面向通过轨道内星间链路连接的卫星星座的星载联邦学习调度方案，利用卫星与地面站的可预测可见性模式，通过两种协同调度器分别协调轨道间和轨道内的FL过程，合理分配全局更新时机与本地训练时长，在更短时间内实现了更高的测试准确率。
2024-02-14 cs.DC cs.LG
Privacy-preserving Chunk Scheduling in a BitTorrent Implementation of Federated Learning
IMDEA Networks Institute（IMDEA网络研究所）；Delft University of Technology（代尔夫特理工大学）；University of Turku（图尔库大学）
本文提出FLTorrent，一种基于BitTorrent的去中心化传播层，用于无服务器联邦学习，通过预热阶段实现传输属性的隐私保护，同时保持高效和低开销。
2026-05-14 cs.DC
Towards Scheduling Federated Deep Learning using Meta-Gradients for Inter-Hospital Learning
University of Oxford（牛津大学）
鉴于当今个人数据的丰富和容易访问，个人隐私已变得至关重要，特别是在医疗保健领域。在这项工作中，我们的目标是利用从多个医院数据中心提取的患者数据来训练机器学习模型，而不牺牲患者隐私。我们开发了一个调度算法，结合学生-教师算法，部署在一个联邦的方式。这允许中心模型从每个联邦节点的批量数据中学习。教师在数据中心之间操作，以使用存储在各个数据中心中的数据来更新主任务（学生）算法。我们表明，使用元梯度训练的调度程序可以有效地组织训练，并因此在不同的数据集上训练机器学习模型，而无需显式访问患者数据。训练。我们实现了最先进的性能，并展示了我们的方法如何克服联邦学习中面临的一些问题，如节点中毒。我们进一步展示了调度程序如何可以用作迁移学习的机制，允许不同的教师一起训练学生的最先进的性能。
2021-07-04 cs.CR cs.DC cs.LG
Dynamic Scheduling for Federated Edge Learning with Streaming Data
Linköping University（林雪平大学）
针对流式数据下联邦边缘学习的设备调度约束问题，提出基于Lyapunov优化框架的动态调度策略，在能耗与延迟约束下最大化时间平均数据重要性，性能优于未考虑时变数据重要性的方法。
2023-05-02 cs.DC cs.IT cs.LG
FedTeddi: Temporal Drift and Divergence Aware Scheduling for Timely Federated Edge Learning
School of Electronic and Information Engineering, Beijing Jiaotong University（电子信息工程学院，北京交通大学）；Beijing National Research Center for Information Science and Technology（北京信息科学国家研究中心）；Department of Electronic Engineering, Tsinghua University（电子工程系，清华大学）
针对联邦边缘学习中的数据动态演变，提出时间漂移与发散感知调度算法FedTeddi，联合优化调度与带宽分配，显著提升收敛速度与准确率。
2025-09-09 cs.DC cs.LG
Bottleneck Time Minimization for Distributed Iterative Processes: Speeding Up Gossip-Based Federated Learning on Networked Computers
我们提出了一种新的任务调度方案，用于加速涉及在网络计算资源上执行的分布式迭代过程的计算应用程序。这样的应用程序由多个任务组成，每个任务在每次迭代时输出数据，由相邻的任务处理;这些任务之间的依赖关系可以表示为有向图。我们首先在数学上将问题表示为二进制二次规划（BQP），同时考虑计算和通信成本。我们证明了该问题是NP-困难的。然后，我们放松的问题，作为一个半定规划（SDP），并利用随机舍入技术的基础上，从一个适当制定的多变量高斯分布抽样。此外，我们得到了瓶颈时间的期望值。最后，我们将我们提出的方案应用于基于流言的联邦学习作为迭代过程的应用。通过对MNIST和CIFAR-10数据集的数值评估，我们表明，我们提出的方法优于众所周知的调度技术，从分布式计算。特别是，对于任意设置，我们表明，它减少了瓶颈时间相比，HEFT和$84\%$相比，吞吐量HEFT的$91\%$。
2021-06-29 cs.DC
Prioritizing Modalities: Flexible Importance Scheduling in Federated Multimodal Learning
University of Florida（佛罗里达大学）
针对多模态联邦学习中均匀分配计算资源效率低的问题，提出FlexMod方法，结合原型学习、Shapley值与DDPG自适应分配训练资源，在三个真实数据集上显著提升模型性能与资源利用率。
2024-08-13 cs.DC cs.LG
Enhancing Convergence, Privacy and Fairness for Wireless Personalized Federated Learning: Quantization-Assisted Min-Max Fair Scheduling
School of Information and Communication Engineering, Beijing University of Posts and Telecommunications（信息与通信工程学院，北京邮电大学）；School of Computing, Macquarie University（计算学院，麦考瑞大学）；Department of Broadband Communication, Peng Cheng Laboratory（宽带通信部，鹏城实验室）；China Telecom, Sichuan Branch（中国电信四川分公司）
本文针对无线个性化联邦学习中的隐私与公平性问题，提出量化辅助高斯差分隐私机制，并通过最小化收敛上界设计最小-最大公平调度策略，实验表明其在准确率、最大测试损失和公平性上显著优于其他方法。
2025-06-03 cs.DC cs.LG
Scheduling and Aggregation Design for Asynchronous Federated Learning over Wireless Networks
Department of Electrical Engineering (ISY), Linköping University（电气工程系（ISY），林奈大学）
本文提出了一种基于无线网络的异步联邦学习调度与聚合设计，通过信道感知数据重要性调度策略和年龄感知聚合设计，提升模型收敛性能和学习效果。
2025-12-03 cs.DC cs.IT cs.LG
FIRST: Federated Inference Resource Scheduling Toolkit for Scientific AI Model Access
Argonne National Laboratory（阿贡国家实验室）；The University of Chicago（芝加哥大学）；University of Illinois Chicago（伊利诺伊大学芝加哥分校）
该研究提出联邦推理资源调度工具包FIRST，通过兼容OpenAI的API实现跨分布式HPC集群的推理即服务，支持多种AI模型与推理后端，自动扩缩资源并维护低延迟节点，满足科学工作流对私有安全AI推理的需求。
2025-10-15 cs.AI cs.DC cs.SE
DPBalance: Efficient and Fair Privacy Budget Scheduling for Federated Learning as a Service
UM-SJTU Joint Institute, Shanghai Jiao Tong University（上海交通大学密西根学院）；Cooperative Medianet Innovation Center (CMIC), Shanghai Jiao Tong University（上海交通大学合作媒体创新中心）；School of Electronic Information and Electrical Engineering, Shanghai Jiao Tong University（上海交通大学电子信息与电气工程学院）
本文提出DPBalance，一种面向联邦学习即服务的隐私预算调度机制，通过综合效用函数和顺序分配机制联合优化效率与公平性，在理论上满足帕累托效率等性质，实验证明其显著优于现有方案。
2024-02-15 cs.CR cs.DC cs.LG
DeFRiS: Silo-Cooperative IoT Applications Scheduling via Decentralized Federated Reinforcement Learning
本文提出DeFRiS框架，通过去中心化联邦强化学习解决物联网应用在异构孤岛间协作调度中的隐私保护与效率问题，实验表明其在响应时间、能耗和延迟风险方面均有显著提升。
2026-03-16 cs.DC cs.LG
Convergence of Update Aware Device Scheduling for Federated Learning at the Wireless Edge
Princeton University（普林斯顿大学）；Imperial College London（帝国理工学院）
我们在无线边缘研究联邦学习（FL），其中具有本地数据集的功率受限设备在远程参数服务器（PS）的帮助下协作训练联合模型。我们假设设备通过带宽受限的共享无线信道连接到PS。在FL的每次迭代时，调度设备的子集以通过正交信道资源向PS发送它们的本地模型更新，而每个参与设备必须压缩其模型更新以适应其链路容量。我们设计了新的调度和资源分配政策，决定在每一轮的设备的子集进行传输，以及如何在参与设备之间分配资源，不仅基于他们的信道条件，而且对他们的本地模型更新的意义。然后，我们建立收敛的无线FL算法与设备调度，设备有有限的能力来传达他们的消息。数值实验的结果表明，所提出的调度策略，基于信道条件和本地模型更新的重要性，提供了一个更好的长期性能比调度策略的基础上，只有单独的两个指标。此外，我们观察到，当数据是独立同分布（i.i.d.）在设备之间，在每一轮选择单个设备提供了最佳性能，而当数据分布是非I.I.D.时，在每一轮调度多个设备提高了性能。收敛结果验证了这一观察结果，这表明，调度设备的数量应该增加较少的多样性和更有偏见的数据分布。
2020-05-08 cs.DC cs.IT cs.LG
Mobility-Aware Joint User Scheduling and Resource Allocation for Low Latency Federated Learning
Shanghai Jiao Tong University（上海交通大学）；Nanjing University of Science and Technology（南京理工大学）；Data61, CSIRO（澳大利亚联邦科学与工业研究组织Data61部门）
针对移动场景下联邦学习因用户移动性导致训练延迟高的问题，提出考虑用户移动性的多基站FL模型及延迟感知贪心搜索算法，联合优化用户调度与资源分配以降低训练延迟，性能优于现有基准，且适度移动性可提升训练效果。
2023-07-18 cs.DC cs.LG
Efficient Device Scheduling with Multi-Job Federated Learning
Baidu Inc.（百度公司）
近年来，在终端用户的多个（边缘）设备中出现了大量分散的数据，而由于法律或法规的原因，分散的数据的聚合对于机器学习工作仍然很困难。联邦学习（FL）是一种处理分散数据的有效方法，无需共享敏感的原始数据，同时协作训练全局机器学习模型。FL中的服务器需要在训练过程中选择（和调度）设备。然而，调度设备的多个作业与FL仍然是一个关键的和开放的问题。在本文中，我们提出了一种新型的多职位外语框架，以实现多个职位的并行培训过程。该框架包括一个系统模型和两种调度方法。在系统模型中，提出了一种多作业并行训练过程，并基于不同作业训练过程中各设备的训练时间和数据公平性构建了成本模型。我们提出了一个基于强化学习的方法和贝叶斯优化的方法来调度多个作业的设备，同时最小化成本。我们对多个作业和数据集进行了广泛的实验。实验结果表明，我们提出的方法在训练时间（快8.67倍）和准确率（高44.6%）方面明显优于基线方法。
2021-12-15 cs.AI cs.DC cs.SY
Analysis and Optimization of Wireless Multimodal Federated Learning on Modal Heterogeneity
针对模态异构性下无线多模态联邦学习面临的挑战，本文提出基于决策级融合并添加单模态损失函数的JCSBA算法，通过推导并最小化性能上界，显著提升了多模态与单模态准确率。
2025-09-16 cs.DC
Online Client Scheduling and Resource Allocation for Efficient Federated Edge Learning
The University of Texas at San Antonio（德克萨斯大学圣安东尼奥分校）
本文研究移动边缘网络中资源受限与不确定性下的联邦学习优化问题，提出基于Lyapunov优化的在线客户端调度与资源分配方案，在保证模型准确度的同时有效降低训练延迟并提升资源效率。
2024-09-29 cs.AI cs.DC cs.LG
FedCGD: Collective Gradient Divergence Optimized Scheduling for Wireless Federated Learning
本文针对无线联邦学习中的数据异构与带宽受限问题，提出FedCGD调度算法，通过平衡设备级WEMD和样本级采样方差最小化集体梯度散度，以更少设备实现更高准确率。
2025-06-09 cs.AI cs.DC cs.LG
TRAIL: Trust-Aware Client Scheduling for Semi-Decentralized Federated Learning
Zhejiang Normal University（浙江师范大学）；Wuhan University of Science and Technology（武汉科技大学）；Dalian University of Technology（大连理工大学）
针对半去中心化联邦学习中客户端动态状态影响训练的问题，提出信任感知调度机制TRAIL，利用自适应隐半马尔可夫模型评估客户端状态与贡献，通过贪婪算法优化客户端调度，显著提升了模型测试准确率并降低了训练损失。
2024-12-19 cs.AI cs.DC cs.LG
Collaborative Policy Learning for Dynamic Scheduling Tasks in Cloud-Edge-Terminal IoT Networks Using Federated Reinforcement Learning
Kyungnam University（庆南大学）；Sejong University（世宗大学）
本文针对云-边-端IoT网络动态调度任务，提出基于联邦强化学习的协作策略学习框架，通过聚合边缘经验构建中心策略，显著提升学习速度并加速新边缘适应任务。
2023-07-02 cs.AI cs.DC cs.LG
Scheduling Algorithms for Federated Learning with Minimal Energy Consumption
Univ. Bordeaux（波尔多大学）；CNRS（法国国家科学研究中心）；Bordeaux INP（波尔多国立理工学院）；Inria（法国国家信息与自动化研究所）；LaBRI（波尔多计算机科学实验室）
联邦学习（FL）为在异构移动或边缘设备上协作训练机器学习模型提供了机会，同时保持本地数据的私密性。随着其采用的增加，越来越多的人关注其经济和环境成本（对于其他机器学习技术也是如此）。不幸的是，由于能量最小化通常被作为次要目标，所以很少有人做工作来优化其能量消耗或二氧化碳或等效物的排放。在本文中，我们研究了通过控制工作负载分布来最小化异构设备上FL训练的能量消耗的问题。我们将其建模为最小成本FL调度问题，这是一个总成本最小化问题，具有相同的，独立的，和原子任务，必须分配给异构资源与任意成本函数。我们提出了一个伪多项式最优解决方案的问题的基础上，以前未探索的多选择最小值-费用最大背包包装问题。我们还提供了四个算法的情况下，成本函数单调增加，并遵循相同的行为。这些解决方案同样适用于其他类型的成本最小化，并在其他一维数据划分问题。
2022-09-13 cs.AI cs.DC cs.DS
FedFiTS: Fitness-Selected, Slotted Client Scheduling for Trustworthy Federated Learning in Healthcare AI
Department of Computer Science University of the Western Cape（计算机科学系，西开普敦大学）；Department of Computer Science Missouri University of Science and Technology（计算机科学系，密苏里科学与技术大学）
本文提出FedFiTS框架，通过适应度选举、三阶段参与策略和时隙聚合，在非IID数据和对抗攻击下提升联邦学习的准确性、效率与鲁棒性，适用于医疗等敏感领域。
2025-09-23 cs.AI cs.DC cs.LG
FedML Parrot: A Scalable Federated Learning System via Heterogeneity-aware Scheduling on Sequential and Hierarchical Training
Hong Kong Baptist University（香港浸会大学）；FedML Inc.（FedML公司）；Inha University（仁荷大学）；The Hong Kong University of Science and Technology（香港科技大学）
联邦学习（FL）支持客户端之间协作，以训练训练机器学习模型，同时保护客户端的数据隐私。现有的FL仿真平台是从传统的分布式训练的角度设计的，遭受在仿真和生产之间的费力的代码迁移、低效率、低GPU利用率、低可扩展性和高硬件要求以及难以模拟有状态客户端。在这项工作中，我们首先揭示了模拟FL的挑战和瓶颈，并设计了一个新的FL系统命名为FedML \texttt{Parrot}。该算法通过以下几个方面提高了训练效率，显著降低了对硬件的要求，支持有状态客户端的大规模FL实验：（1）在设备上顺序训练客户端;（2）将初始聚集分解为设备和服务器上的局部聚集和全局聚集;（3）调度任务以减少离散问题，提高计算效率;（4）分布式客户端状态管理器，支持多种FL算法。此外，基于我们的通用API和通信接口，用户可以无缝地将模拟转换为真实世界的部署，而无需修改代码。我们通过在各种FL数据集上训练不同模型的广泛实验来评估\texttt{Parrot}，以证明\texttt{Parrot}可以实现模拟超过1000个客户端（有状态或无状态），具有灵活的GPU设备设置（$4 \sim 32$）和高GPU实用性，比FedScale快1.2 $\sim$ 4倍，比FedML节省10 $\sim$ 100倍的内存。我们验证了\texttt{Parrot}可以很好地与三个不同集群中的同构和异构设备一起工作。通过对两个有状态客户端…
2023-03-03 cs.DC cs.LG
Feature-Based Semantics-Aware Scheduling for Energy-Harvesting Federated Learning
Department of Computer and Information Science（计算机与信息科学系）；Linköping University（林奈技术大学）；Department of Information Engineering（信息工程系）；University of Brescia（布雷西亚大学）；ZJU-UIUC Institute（浙大-伊利诺伊大学联合研究所）；Zhejiang University（浙江大学）
本文提出了一种基于特征的语义感知调度框架，通过引入版本年龄信息度量标准，有效降低计算复杂性，提升能量收集联邦学习的效率和性能。
2025-12-01 cs.DC cs.IT cs.LG
FedMIL: Federated-Multiple Instance Learning for Video Analysis with Optimized DPP Scheduling
本文提出 FedMIL 框架，结合联邦学习与多示例学习处理视频分析任务，并引入基于 DPP 的 DPPQ 客户端选择框架，在非独立同分布下以更少数据利用实现更优性能，适用于资源受限的边缘设备。
2024-03-26 cs.DC cs.IT math.IT
Towards Efficient Scheduling of Federated Mobile Devices under Computational and Statistical Heterogeneity
Old Dominion University（欧道明大学）；Stony Brook University（纽约州立大学石溪分校）
起源于分布式学习，联邦学习通过仅共享模型参数在新的抽象级别上实现隐私保护的协作。虽然目前的研究主要集中在优化学习算法和最小化分布式学习留下的通信开销，但当涉及到移动设备上的真正实现时，仍然存在相当大的差距。在本文中，我们从一个实证实验，以证明计算异构性是一个更明显的瓶颈比当前一代的电池供电的移动设备上的通信，和现有的方法是由移动掉队者困扰。此外，跨移动用户的非相同分布的数据使得参与者的选择对于准确性和收敛性至关重要。为了解决计算和统计异质性，我们利用数据作为调谐旋钮，并提出了两个有效的多项式时间算法调度不同的工作负载在各种移动设备上，当数据是相同或不相同的分布。对于相同分布的数据，我们结合分区和线性瓶颈分配，以实现接近最佳的训练时间，而不会损失精度。对于非同分布的数据，我们将其转换为平均成本最小化问题，并提出了一个贪心算法，以找到一个合理的计算时间和精度之间的平衡。我们还建立了一个离线分析器来量化不同设备的运行时行为，作为调度算法的输入。我们在一个移动测试平台上进行了大量的实验，该平台包含两个数据集和多达20个设备。与常见的基准测试相比，所提出的算法实现了2- 100倍的加速逐时，2-7%的精度增益和提高收敛速度超过100% CIFAR 10。
2020-09-15 cs.DC cs.LG stat.ML
Accelerating Federated Edge Learning via Optimized Probabilistic Device Scheduling
Shenzhen Research Institute of Big Data（深圳大数据研究院）；Southern University of Science and Technology（南方科技大学）；China Academy of Information and Communications Technology（中国信息通信研究院）；The Chinese University of Hong Kong (Shenzhen)（香港中文大学（深圳））；Zhejiang University（浙江大学）
流行的联邦边缘学习（FEEL）框架允许通过边缘设备和服务器之间频繁的学习更新交换来保护隐私的协作模型训练。由于带宽受限，只有一部分设备可以在每一轮通信中上传更新。这导致了一个活跃的研究领域，在FEEL研究最佳的设备调度策略，最大限度地减少通信时间。然而，由于难以量化确切的通信时间，在这一领域的现有工作只能通过考虑通信轮或每轮延迟来部分地解决这个问题，而总的通信时间由这两个度量来确定。为了缩小这一差距，我们在本文中首次尝试制定和解决的通信时间最小化问题。我们首先推导出一个严格的约束，通过跨学科的努力，涉及到学习理论的收敛性分析和每轮延迟分析的通信理论近似的通信时间。基于分析结果，通过求解近似的通信时间最小化问题，得到了一个优化的概率调度策略的封闭形式。研究发现，随着训练过程的发展，优化策略逐渐将其优先级从抑制剩余的通信轮次转向减少每轮延迟。通过自动驾驶中的协同3D目标检测的用例证明了所提出的方案的有效性。
2021-07-24 cs.DC cs.IT cs.LG
VREM-FL: Mobility-Aware Computation-Scheduling Co-Design for Vehicular Federated Learning
Delft University of Technology（代尔夫特理工大学）；University of Pennsylvania（宾夕法尼亚大学）；University of Padova（帕多瓦大学）；Politecnico di Bari（巴里理工大学）
VREM-FL通过结合车辆移动性和5G无线电环境图，优化车联网联邦学习的计算调度，提升模型训练效率和资源利用率。
2024-10-10 cs.AI cs.DC cs.LG
Towards Dynamic Resource Allocation and Client Scheduling in Hierarchical Federated Learning: A Two-Phase Deep Reinforcement Learning Approach
Shanghai University（上海大学）；Commonwealth Scientific and Industrial Research Organization (CSIRO)（英联邦科学与工业研究组织）；Fudan University（复旦大学）；Xidian University（西安电子科技大学）
针对能量收集驱动的分层联邦学习系统的多级资源与客户端调度问题，提出两阶段DDPG框架TP-DDPG，结合SCABA算法平衡学习延迟与模型精度，在参数更少的情况下可将训练时间缩短39.4%。
2024-06-21 cs.DC cs.LG math.OC
Dynamic Scheduling for Vehicle-to-Vehicle Communications Enhanced Federated Learning
Beijing National Research Center for Information Science and Technology, Department of Electronic Engineering, Tsinghua University（北京信息科学与技术国家研究中心，电子工程系，清华大学）；School of Electronic and Information Engineering, Beijing Jiaotong University（电子信息工程学院，北京交通大学）
针对车辆能量与移动性约束下的VFL训练优化问题，提出基于漂移加惩罚和凸归约的VEDS动态调度算法，显著提升分类与轨迹预测性能。
2025-06-09 cs.AI cs.DC cs.IT
Communication-Efficient Device Scheduling for Federated Learning Using Stochastic Optimization
Army Research Laboratory（陆军研究实验室）；IBM T. J. Watson Research Center（IBM托马斯·J·沃森研究中心）；University of Utah（犹他大学）
联邦学习（FL）是分布式机器学习中的有用工具，其以隐私保护的方式利用用户的本地数据集。然而，当在受限的无线环境中部署FL时，由于设备的间歇连接、异构连接质量和非独立同分布性，以时间高效的方式训练模型可能是一项具有挑战性的任务。数据在本文中，我们提供了一个新的收敛性分析的非凸损失函数使用FL上的i.i.d.和非I.I.D.每轮具有任意设备选择概率的数据集。然后，使用推导出的收敛界，我们使用随机优化开发一个新的客户端选择和功率分配算法，最大限度地减少一个函数的收敛界和平均通信时间下的发射功率约束。我们找到一个解析解的最小化问题。该算法的一个关键特征是不需要信道统计信息，而只需要知道瞬时信道状态信息。使用FEMNIST和CIFAR-10数据集，我们通过模拟表明，与均匀随机参与相比，使用我们的算法可以显着减少通信时间。
2022-05-04 cs.DC cs.IT cs.LG
