FedLFP: Communication-Efficient Personalized Federated Learning on Non-IID Data in Mobile Edge Computing Environments
Notice bibliographique
Résumé
Mobile Edge Computing (MEC) facilitates computing and storage at edge nodes near user devices, reducing latency and optimizing bandwidth. Federated Learning (FL) complements MEC by enabling privacy-preserving collaborative model training across edge nodes without sharing raw data. However, in MEC environments, FL faces challenges such as communication inefficiency and data heterogeneity (Non-IID), which degrade model performance and hinder convergence. To address these issues, we propose FedLFP, a communication-efficient personalized federated learning approach using label-free prototypes for Non-IID data in MEC. FedLFP employs three key strategies: (1) a Label-Free Prototype strategy to reduce communication costs and mitigate privacy risks, (2) a centroid prototype and combined clustering weight strategy to improve global prototype quality by considering data quantity and confidence levels, and (3) a multifaceted weighted contrastive learning strategy to enhance local representation learning and global alignment. We evaluated FedLFP on Android malware recognition using the KronoDroid dataset and standard image classification tasks, with eight configurations representing practical Non-IID settings. Experimental results show that FedLFP consistently outperforms thirteen state-of-the-art FL methods in accuracy, communication and computational efficiency. Additionally, we provide theoretical guarantees for the convergence of FedLFP under Non-IID conditions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,017 | 0,004 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».