EdgeFLow: Serverlose Federated Learning via sequentielle Modellmigration

In einer wegweisenden Veröffentlichung präsentiert das Forschungsteam EdgeFLow ein neues Federated Learning‑Framework, das die herkömmliche Cloud‑Abhängigkeit auflöst und stattdessen Modelle sequentiell zwischen Edge‑Basisstationen migriert. Diese Architektur eliminiert langwierige Client‑Server‑Kommunikationen und reduziert die globale Datenübertragung drastisch.

EdgeFLow führt die Modellaggregation und -verteilung ausschließlich innerhalb von Edge‑Clustern durch. Durch die Vermeidung von Cloud‑Transfers werden nicht nur Bandbreitenkosten gespart, sondern auch die Latenzzeiten für IoT‑Geräte erheblich verringert. Die sequentielle Migration sorgt dafür, dass jedes Modell nur einmal die Netzwerkgrenzen überschreitet, bevor es an die nächste Station weitergegeben wird.

Das Team liefert eine gründliche Konvergenzanalyse, die sowohl nicht‑konvexe Zielfunktionen als auch stark heterogene, nicht‑IID‑Datensätze berücksichtigt. Die Ergebnisse erweitern die klassische Federated Learning‑Theorie und zeigen, dass EdgeFLow unter realen Bedingungen stabile Lernfortschritte erzielt.

Experimentelle Tests über verschiedene Konfigurationen hinweg bestätigen die theoretische Vorhersage: EdgeFLow erreicht vergleichbare Genauigkeiten wie herkömmliche FL‑Systeme, während die Kommunikationskosten deutlich reduziert werden. Diese Leistung macht das Framework zu einer soliden Basis für zukünftige Entwicklungen im Bereich IoT‑ und Edge‑Netzwerk‑Learning.