FEDERATED LEARNING-AWARE MULTI-OBJECTIVE SCHEDULING FOR DISTRIBUTED EDGE-CLOUD ENVIRONMENTS
Notice bibliographique
Résumé
The proliferation of Internet of Things applications and latency-sensitive computing tasks has necessitated novel approaches to resource management across distributed edge-cloud architectures. Federated Learning has emerged as a compelling paradigm for collaborative model training without centralizing data, yet integrating Federated Learning into multi-objective scheduling frameworks presents significant challenges. This paper proposes a comprehensive scheduling strategy that accounts for Federated Learning-specific requirements including model convergence time, communication overhead, and data heterogeneity while optimizing multiple conflicting objectives such as makespan, energy consumption, and resource utilization. We develop a hierarchical scheduling architecture that coordinates tasks between mobile edge computing servers, base stations, and cloud data centers while maintaining Federated Learning protocol integrity. The proposed approach employs an adaptive multi-objective optimization algorithm with dynamic crossover and mutation probabilities that adjusts resource allocation based on Federated Learning training progress and system state. Experimental evaluation demonstrates that our Federated Learning-aware scheduling strategy with adaptive genetic algorithm parameters achieves superior performance compared to fixed-parameter approaches, reducing total system cost by approximately 28 percent while improving convergence speed by 35 percent. The framework effectively balances computation offloading decisions with Federated Learning communication patterns across the hierarchical mobile edge computing infrastructure, resulting in enhanced system efficiency for distributed edge-cloud environments. This work establishes foundations for integrating Federated Learning workflows into production-scale distributed computing infrastructures while addressing the unique challenges posed by privacy-preserving machine learning paradigms.
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 | 0,005 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,007 | 0,001 |
| Communication savante | 0,005 | 0,005 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».