GQ-FSL: Green Quantized Federated Split Learning

GQ-FSL 提出了一种绿色量化联邦分割学习框架，通过随机量化减少本地协作训练和无线传输中的能耗。该框架支持客户端和服务器端子模型的不同精度级别，从而将设备能耗约束与全局收敛性能解耦。研究者开发了参数化能耗模型，并推导了在统计异构数据下的理论收敛界。基于此，他们构建了一个联合优化问题，以配置 DNN 分割点和精度级别，在满足严格目标精度约束的同时最小化总系统能耗。

GQ-FSL 的核心创新在于将随机量化同时应用于本地训练和无线传输，并允许客户端与服务器端子模型使用非对称精度。这种设计使得设备端的能耗约束不再直接限制全局模型的收敛性能，为资源受限的边缘设备提供了一种新的训练范式。