arXiv cs.AI· Junhao Cheng, Yunming Liao, Hongli Xu, Yang Xu, Zuan Xie·· 11 小时前AI 评分18
CoASFL：面向异步拆分联邦学习的耦合一致性优化框架
CoASFL: Coupled Consistency Optimization for Asynchronous Split Federated Learning
AI 导读
CoASFL 是一个不一致性感知的异步拆分联邦学习框架，通过动态激活合并与一致性感知模型聚合，同时缓解客户端间横向不一致和客户端与服务器间纵向不一致。在 80 台异构边缘设备测试平台上，其训练速度较 SOTA 方法提升 1.61× 至 3.74×，最终模型准确率最高提升 3.26%。
正文 · AI 翻译
摘要：拆分联邦学习（SFL）已成为在资源受限的边缘设备上训练大规模深度模型的一种有前景的范式。尽管异步 SFL 缓解了由系统异构性造成的掉队者瓶颈，但它不可避免地引入了两个相互耦合的不一致维度：客户端之间的水平不一致，以及客户端与服务器之间的垂直不一致。这些不一致在统计异构性的进一步加剧下，导致激活表示出现偏差、模型发散以及严重的客户端漂移。为应对这些挑战，我们提出了 CoASFL，一种不一致感知的异步 SFL 框架，它融合了动态激活合并机制和一致性感知的模型聚合机制。具体而言，CoASFL 从异构客户端构建更一致的激活序列以缓解水平不一致，并根据客户端参与频率和进度差距动态调整聚合权重以减轻垂直不一致。通过协同协调激活层面和模型层面的一致性，CoASFL 有效抑制了异步训练过程中的不一致传播。在包含 80 台设备的异构边缘测试床上进行的大量实验表明，CoASFL 始终优于最先进的 SFL 方法，在异构场景下将训练加速 1.61$\times$ 至 3.74$\times$，并将最终模型准确率提升最多 3.26\%。
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.26992 [cs.LG] |
| （或 arXiv:2610.26992v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.26992 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Junhao Cheng [查看邮箱]
[v1]
2026 年 10 月 19 日星期一 07:37:00 UTC（3,358 KB）
来源：arXiv cs.AI · arxiv.org