FedCache 2.0引领联邦边缘学习性能与通信效率革新

在今天的数字化时代，边缘计算正迅速成为推动终端设备智能化的核心技术之一；如何在保证数据隐私的同时提高数据在网络边缘的处理效率和效果，已成为业界面临的一大挑战。最近，《FedCache 2.0: Exploiting the Potential of Distilled Data in Knowledge Cache-driven Federated Learning》一文中提出了一种全新的知识缓存驱动的联邦学习架构FedCache 2.0，预示着联邦学习与边缘智能结合的一大进步。

FedCache 2.0架构是在其第一代架构FedCache的基础上，结合边缘计算的需求特点进行优化的结果。FedCache 2.0通过引入“知识缓存”（knowledge cache）和“数据蒸馏”技术，突破了第一代FedCache架构的训练瓶颈，显著提升了模型的训练效率和准确性。在这一架构下，服务器不仅存储原始数据的精简、脱敏版本，即“蒸馏数据”，而且通过精确控制这些数据的组织、存储与分发，确保每个设备都能在通信带宽限制下接收到最适合自己的训练数据。这种方法不仅减少了数据传输量，还提高了数据利用的效率和模型个性化性能。

通过在五个不同的数据集上进行广泛的实验，涵盖图像识别、音频理解和移动传感器数据挖掘任务，FedCache 2.0在所有考虑的设置中都显著优于现有的最先进方法。实验结果显示，与基准方法相比，FedCache 2.0在通信效率上至少提高了28.6倍，大大降低了边缘设备在实际部署中的带宽需求。

论文链接：https://arxiv.org/abs/2405.13378
开源代码：https://github.com/poppanda/FedCache2.0