M$^2$FedAQI: 用于异构边缘设备空气质量预测的多模态联邦学习

arXiv cs.LG 2026/05/19 04:00 论文

multimodal federated-learning air-quality edge-computing iot privacy-preserving

摘要

提出了M²FedAQI，一种轻量级多模态联邦学习框架，用于跨异构边缘设备的空气质量预测，在基准数据集上相比基线取得了显著改进。

arXiv:2605.16375v1 公告类型: 新摘要：准确的空气质量预测对于公共卫生、环境监测和工业安全至关重要。然而，大多数现有方法依赖集中式学习范式，这在分布式物联网（IoT）环境中引入了可扩展性、隐私保护和通信开销方面的挑战。此外，当前的联邦学习（FL）解决方案主要使用单模态数据，限制了其捕获复杂环境模式的能力。为了解决这些局限性，我们提出了M$^2$FedAQI，一种轻量级多模态联邦学习框架，用于在异构边缘设备上进行去中心化的空气质量指数（AQI）预测。所提出的框架通过基于特征调制的融合机制整合视觉和表格模态，实现高效的跨模态交互，同时保持低计算开销。M$^2$FedAQI在两个基准数据集PM25Vision和TRAQID上进行了评估，包括集中式和联邦设置下的分类和回归任务。实验结果表明，M$^2$FedAQI始终优于现有方法，与最强基线相比，在准确率上提升高达11.0%，AUC提升3.53%，F1分数提升12.2%，$R^2$提升18.0%，同时将MAE和RMSE分别降低了25.4%和20.4%。此外，在异构边缘设备上的部署展示了在通信开销、内存占用和计算成本方面的高效资源利用。为了增强通信安全性，引入了基于TLS的身份验证，以确保安全客户端参与并保护联邦学习通信通道免受未授权第三方访问，而无需修改底层联邦学习协议。

查看原文

查看缓存全文

缓存时间: 2026/05/19 06:42

# M$^2$FedAQI：面向异构边缘设备的多模态联邦学习空气质量预测

来源：https://arxiv.org/abs/2605.16375  
查看PDF（https://arxiv.org/pdf/2605.16375）

> **摘要：**准确的空气质量预测对公共卫生、环境监测和工业安全至关重要。然而，现有方法大多依赖集中式学习范式，这会在分布式物联网（IoT）环境中引发可扩展性、隐私保护和通信开销方面的挑战。此外，当前基于联邦学习（FL）的方案主要使用单模态数据，限制了其捕捉复杂环境模式的能力。为解决这些局限，我们提出 M$^2$FedAQI，一种轻量级多模态联邦框架，用于在异构边缘设备上进行分布式空气质量指数（AQI）预测。该框架通过基于特征调制的融合机制集成视觉和表格模态，在保持低计算开销的同时实现高效的跨模态交互。M$^2$FedAQI 在两个基准数据集 PM25Vision 和 TRAQID 上进行评估，涵盖集中式和联邦设置下的分类与回归任务。实验结果表明，M$^2$FedAQI 持续优于现有方法，与最强基线相比，在准确率上提升高达 11.0%，AUC 提升 3.53%，F1 分数提升 12.2%，R² 提升 18.0%，同时 MAE 和 RMSE 分别降低 25.4% 和 20.4%。此外，在异构边缘设备上的部署展示了其在通信开销、内存占用和计算成本方面的资源高效利用。为增强通信安全性，框架集成了基于 TLS 的身份验证，在不修改底层 FL 协议的前提下，确保客户端安全参与并保护 FL 通信信道免受未经授权的第三方访问。

## 提交历史

来自：Tamoghna Ojha [查看邮箱（https://arxiv.org/show-email/c3c3195f/2605.16375）]  
**[v1]** 2026年5月10日星期日 20:21:49 UTC（2,998 KB）

M$^2$FedAQI: 用于异构边缘设备空气质量预测的多模态联邦学习

相似文章

面向模态异质性下的鲁棒联邦多模态图学习

FedQHD：闭式函数空间联邦强化学习

基于嵌入的联邦学习与运行时治理的铁缺乏预测

FusionSense: 三阶段近传感器学习实现运行时自适应多模态边缘智能

在日用设备上启用隐私保护型 AI 训练

提交意见反馈