联邦学习 (FL) 是一种新兴的机器学习技术,它支持跨数据孤岛或边缘设备进行分布式模型训练,而无需数据共享。然而,与集中式模型训练相比,FL 不可避免地会带来效率低下的问题,这将进一步增加未来机器学习本已很高的能耗和相关的碳排放。减少 FL 碳足迹的一种方法是根据电网中特定时间和地点可能出现的可再生过剩能源的可用性来安排训练作业。然而,面对如此不稳定且不可靠的资源,现有的 FL 调度程序无法始终确保快速、高效和公平的训练。我们提出了 FedZero,这是一个专门依靠可再生过剩能源和计算基础设施的闲置容量运行的 FL 系统,可有效地将训练的运营碳排放量降至零。通过利用能源和负荷预测,FedZero 通过选择客户端实现快速收敛和公平参与,从而利用过剩资源的时空可用性。我们基于实际的太阳和负载轨迹进行的评估表明,在上述约束条件下,FedZero 的收敛速度明显快于现有方法,同时消耗的能量更少。此外,它对预测误差具有很强的鲁棒性,可扩展到数万个客户端。
主要关键词