Joint Client Selection and Gradient Optimization for Energy-Efficient Federated Learning in Mobile Edge Computing Networks
Rattachement africain : cn. Niveau de preuve : code pays fourni par la source.
Le résumé fourni par la source
Federated learning (FL) enables model training on mobile clients (M Cs) while protecting data privacy by keeping the data local. However, the data and system heterogeneity among MCs can significantly undermine model performance, slow convergence, and increase energy consumption. To achieve green and efficient edge intelligence, we propose an energy consumption optimization problem under the FL framework for mobile edge computing networks in this paper. Our goal is to reduce the energy consumption of MCs and improve the FL model performance. Then we design a heterogeneity-aware client selection and gradient optimization (HCSGO) algorithm. Specifically, HCSGO selects MCs based on data, computation, and communication quality to mitigate the impact of heterogene-ity on model performance, while leveraging a residual gradient mechanism to optimize gradient aggregation and accelerate convergence. Experiment results demonstrate that the proposed algorithm achieves the lowest energy consumption and improves the model performance compared to the baselines.
Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.
Le contrôle bibliographique ouvert
DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.
- Titre Crossref
- Joint Client Selection and Gradient Optimization for Energy-Efficient Federated Learning in Mobile Edge Computing Networks
- Date Crossref
- 14/11/2025
- Éditeur
- IEEE
- Type
- proceedings-article
Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.
Où se fait cette recherche
-
Chongqing University pays non établi dans la noticeUniversité ou école supérieure
-
Tianjin University pays non établi dans la noticeUniversité ou école supérieure
-
Shenzhen University pays non établi dans la noticeUniversité ou école supérieure
-
School of Big Data & pays non établi dans la noticeUniversité ou école supérieure
-
College of Intelligence & TKLAN pays non établi dans la noticeUniversité ou école supérieure
-
College of Computer Science & pays non établi dans la noticeUniversité ou école supérieure
Chongqing University, Tianjin University et Shenzhen University, avec 3 autres affiliations.
Une affiliation ne permet pas de déduire la nationalité d’un auteur.