QuantFL: Nachhaltiges Federated Learning für Edge‑IoT durch Quantisierung

QuantFL ist ein neu entwickeltes Framework für Federated Learning (FL), das speziell für Edge‑IoT‑Geräte konzipiert wurde. Durch die Nutzung vortrainierter Modelle kann QuantFL die Datenübertragung drastisch reduzieren und gleichzeitig die Energieeffizienz verbessern.

Im Gegensatz zu herkömmlichen FL‑Ansätzen, die häufig hohe Stromkosten für wiederholte Uplink‑Transmissions verursachen, setzt QuantFL auf eine aggressive, aber leichtgewichtige Quantisierung. Die vortrainierten Modelle konzentrieren die Update‑Statistiken, sodass ein speichereffizienter Bucket‑Quantisierungsmechanismus eingesetzt werden kann – ohne die energieintensiven Fehler‑Feedback‑Schleifen.

In Experimenten mit den Datensätzen MNIST und CIFAR‑100 konnte QuantFL die gesamte Kommunikation um etwa 40 % senken. Bei einer quantisierten Downlink‑Übertragung reduziert sich die Datenmenge sogar um mehr als 80 %. Trotz dieser Einsparungen erreicht das System eine Test‑Genauigkeit von 89 % bei MNIST und 66,9 % bei CIFAR‑100 – vergleichbar oder besser als unkomprimierte Baselines, selbst bei strengen Bandbreitenbeschränkungen.

Die Autoren berücksichtigen sowohl Uplink‑ als auch Downlink‑Kosten und führen Ablationsstudien zu verschiedenen Quantisierungsstufen und Initialisierungen durch. QuantFL liefert damit einen praktischen, „grünen“ Ansatz für skalierbares Training in batteriebetriebenen IoT‑Netzwerken.