联邦学习作为人工智能的一个新兴领域,能有效帮助多个边缘设备在满足用户隐私保护的要求下,协同训练共享模型,但仍然存在能耗开销重和隐私漏洞等问题。首先,边缘设备实时训练本地数据时会产生大量能源消耗,特别是当联邦学习横向扩展时,随着边缘设备数量的增加,能耗问题会进一步加重。其次,联邦学习这种协同学习行为仍可以通过模型逆推理的方式繁衍出用户隐私信息。因此,我们急需一种方法来支撑大规模机器学习并降低用户隐私泄露风险。本文主要研究基于联邦学习的能效优化方法,主要工作如下:1)本文通过研究分析分布式学习和联邦学习理论基础,揭示了联邦学习在边缘设备上的用户隐私泄露和资源损耗严重两大问题,并对这两个问题进行了深入的分析和阐述。2)本文提出了一种面向能效的可扩展方法,该方法设计了一种能源感知遗忘学习框架,该框架从两个层面提高能效:全局层——该层采用一种能源感知的调度优化方法,选择出具有最高能效的参与设备子集;本地层——该层采用一种原创性的遗忘学习算法,主动提供遗忘和增量更新。3)本文分别从物理测试平台和仿真平台对本方法进行了原型设计,并通过一些实际基准测试集对本方法进行了实验分析与评估。实验结果表明,与原始联邦学习相比,本方法在不同数据集中能减少75.6%-82.4%的能耗,以及在确保模型准确度的同时,本方法在模型收敛方面可以实现2-4个数量级的加速。这一结果较好地证明了该方法的有效性和优越性。