您所在的位置: 成果库 基于联邦学习的移动边缘网络通信优化技术

基于联邦学习的移动边缘网络通信优化技术

发布时间: 2026-01-06

基本信息

合作方式: 技术转让
成果类型: 新技术
行业领域:
电子信息技术,通信技术
成果介绍
本成果针对移动边缘网络中联邦学习面临的通信开销大、延迟高、连接不稳定三大难题,提出了一种基于联邦学习的新型通信优化方法。该方法突破传统单一压缩技术的局限,创新性地融合 SVD 梯度分解与 Sketch 有损压缩技术。由客户端先通过 SVD 提取梯度核心特征,服务器端再进行 Sketch 聚合并提取 Top-K稀疏化梯度。成果首创自适应梯度误差补偿机制,动态修正压缩误差并融入后续迭代,攻克了压缩效率与模型精度难以兼得的技术瓶颈,实现了通信开销显著降低,较传统方法减少 50%以上,同时模型准确率保持基准的 99%以上。成果可应用于智慧城市、工业物联网等边缘计算场景,已通过仿真平台验证,在移动边缘网络中通信延迟降低 60%,模型收敛迭代轮次减少 45%。
成果亮点
(1)双阶段压缩优化:SVD 前置处理保留关键梯度信息,Sketch 二次压缩提升效率,较单一 SVD 或 Sketch 方案通信开销降低 30%~40%; (2)误差动态补偿:通过自适应累计补偿机制,解决有损压缩导致的精度损失问题,模型收敛速度提升 20%以上; (3)边缘适应性:支持资源受限设备的高效参与,在间歇性网络下仍保持稳定训练。
团队介绍
联系人: 庄老师 单位名称:常州市武进区科技成果转移中心
成果资料