FairEnergy: Beitragsbasierte Fairness trifft Energieeffizienz Federated Learning

Federated Learning ermöglicht es verteilten Geräten, gemeinsam Modelle zu trainieren, ohne dass sensible Daten preisgegeben werden. In drahtlosen Edge‑Systemen stellt die gleichzeitige Optimierung von Energieeffizienz, fairem Partizipationsgrad und hoher Modellgenauigkeit jedoch eine große Herausforderung dar – vor allem, weil die Geräte unterschiedliche Ressourcen besitzen, die Beiträge der Clients ungleich sind und die Kommunikationskapazität begrenzt ist.

Mit dem neuen Ansatz FairEnergy wird dieses Problem angegangen. Der Framework nutzt einen Beitrag‑Score, der sowohl die Größe der Modellupdates als auch deren Kompressionsrate berücksichtigt, und integriert diesen Score in die gemeinsame Optimierung von Geräteselektion, Bandbreitenzuweisung und Kompressionsniveau. So wird sichergestellt, dass leistungsstarke Geräte angemessen belohnt werden, während gleichzeitig der Energieverbrauch gesenkt wird.

Die zugrunde liegende Optimierung ist ein gemischt‑integer‑nicht‑konvexes Problem. Durch die Relaxierung der binären Auswahlvariablen und die Anwendung einer Lagrange‑Decomposition wird die globale Bandbreitenabhängigkeit effizient gehandhabt. Anschließend werden die Subprobleme pro Gerät separat gelöst, was die Skalierbarkeit des Ansatzes erhöht.

Experimentelle Tests auf nicht‑IID‑Datensätzen zeigen, dass FairEnergy die Modellgenauigkeit steigert und gleichzeitig den Energieverbrauch um bis zu 79 % im Vergleich zu herkömmlichen Strategien reduziert. Dieser Fortschritt bringt Federated Learning einen Schritt näher an die Anforderungen moderner, ressourcenbewusster Edge‑Anwendungen.