[论文解读] Fractional Order Federated Learning for Battery Electric Vehicle Energy Consumption Modeling

Mohammad Partohaghighi, Roummel F. Marcia+2 more|arXiv (Cornell University)|Feb 13, 2026

Electric Vehicles and Infrastructure被引用 0

一句话总结

本文提出 FO-RI-FedAvg，这是一种用于 BEV 能耗建模的联邦学习优化器，使用分数阶局部更新与粗糙度感知正则化，在客户端参与不稳定时提高稳定性和准确性。它在 BEV 数据集上相较强基线表现更好且不改变服务器聚合。

ABSTRACT

Federated learning on connected electric vehicles (BEVs) faces severe instability due to intermittent connectivity, time-varying client participation, and pronounced client-to-client variation induced by diverse operating conditions. Conventional FedAvg and many advanced methods can suffer from excessive drift and degraded convergence under these realistic constraints. This work introduces Fractional-Order Roughness-Informed Federated Averaging (FO-RI-FedAvg), a lightweight and modular extension of FedAvg that improves stability through two complementary client-side mechanisms: (i) adaptive roughness-informed proximal regularization, which dynamically tunes the pull toward the global model based on local loss-landscape roughness, and (ii) non-integer-order local optimization, which incorporates short-term memory to smooth conflicting update directions. The approach preserves standard FedAvg server aggregation, adds only element-wise operations with amortizable overhead, and allows independent toggling of each component. Experiments on two real-world BEV energy prediction datasets, VED and its extended version eVED, show that FO-RI-FedAvg achieves improved accuracy and more stable convergence compared to strong federated baselines, particularly under reduced client participation.

研究动机与目标

• 在异构、间歇参与的客户端环境下解决 BEV 的隐私保护能量建模问题。
• 在现实条件（数据异质性、连接性）下缓解 FedAvg 式 FL 的客户端漂移与不稳定性。
• 引入具备记忆能力、几何感知的本地优化以稳定学习并提升准确性。
• 提供与标准 FL 架构兼容的轻量级、模块化扩展。
• 在实际 BEV 能耗数据集（VED/eVED）上，与强基线相比证明有效性。

提出的方法

• 提出 FO-RI-FedAvg，将分数阶局部更新与粗糙度感知的客户端特定正则化结合。
• 引入分数阶预条件子 p_t,h^k，通过 Caputo 启发的代理（等式 10–11）调节带记忆效应的 SGD 更新。
• 从本地损失景观探针计算客户端粗糙度指数 I_k，并利用它来自适应近端正则化强度（等式 20–22）。
• 可选地加入谱稳定性指示器以门控预条件子（等式 19–24）。
• 保持标准的 FedAvg 服务器聚合与数据加权平均（等式 3），并进行轻量级逐步运算。
• 将该框架应用于使用 VED/eVED 数据集、带窗口能量目标的 BEV 能耗建模（等式 25–27）以及隐私保护的本地数据处理。

实验结果

研究问题

• RQ1 分数阶记忆在局部更新中如何影响在客户端间歇参与时的 FL 稳定性与收敛性？
• RQ2 粗糙度感知的、客户端特定正则化是否在不改变服务器端机制的前提下缓解异构 FL 的漂移？
• RQ3 将记忆效应与几何感知诊断结合是否能在 BEV 能耗建模中获得可观的准确性提升？
• RQ4 FO-RI-FedAvg 在车载部署下是否具有实际可扩展性且开销最小？

主要发现

• 相较于在客户端参与率降低的强基线，FO-RI-FedAvg 提高了准确性并稳定了收敛。
• 该方法保持了标准的 FedAvg 服务器聚合，只增加了可 amortize 的逐步、逐元素运算。
• 基于粗糙度的近端正则化能够自适应各客户端的景观不规则性，缓解局部更新漂移。
• 分数阶局部更新引入长记忆动力学，在优化中强调历史信息，提升鲁棒性。
• 一个可选的谱诊断可以在高度各向异性的权重空间进一步抑制更新方向。
• 在 BEV 能耗预测任务（VED/eVED 数据集）上的实验证明了在现实联邦 BEV 设置中的实际有效性。