FL-MAESTRO: LLM-агенты экономят энергию в федеративном обучении

Проблема нестабильности в Federated Learning

В классическом федеративном обучении (FL) сервер должен принимать три взаимосвязанных решения в каждом раунде: выбрать топологию связи, распределить ресурсы между клиентами и определить правило агрегации локальных обновлений. Главная проблема заключается в том, что связь на периферийных устройствах нестабильна: клиенты постоянно отключаются, а каналы связи обрываются. Существующие решения либо настраиваются только на этапе установки, либо оптимизируют лишь один аспект (например, выбор клиентов), игнорируя комплексный характер задачи.

Архитектура FL-MAESTRO

Авторы (Jiajun Wu, Zirui Wang, Jiayu Zhou, Qiang Ye, Steve Drew) предлагают решение FL-MAESTRO — многоагентную систему, где три специализированных LLM-агента совместно принимают решения в реальном времени. Координатор объединяет их анализ, а не-LLM модуль проверяет выполнимость плана перед запуском раунда. Ключевая особенность: система использует предсказанный список сбоев сервера, чтобы исключать клиентов, чьи обновления все равно не будут агрегированы. Это устраняет главный источник потерь энергии в нестабильных сетях.

Результаты на бенчмарке CIFAR-10

Эксперименты проводились на датасете CIFAR-10 с распределением данных Non-IID. Система продемонстрировала способность работать с гетерогенными устройствами, считывая их состояние как текстовые профили, что избавляет от необходимости создавать энергетические модели для каждого класса устройств. Сравнение с сильнейшим энергоэффективным базовым подходом показывает следующие результаты:

Значение для индустрии

Работа принята к публикации на IEEE GLOBECOM 2026. Внедрение LLM-агентов для оркестрации FL позволяет перейти от жестко заданных правил к адаптивному управлению ресурсами, что критически важно для IoT-устройств с ограниченным зарядом батареи. Код проекта доступен по ссылке в статье.

Источник: arXiv cs.AI ↗