Apr, 2018

移动边缘异构资源联邦学习的客户端选择

PDF
TL;DR本篇论文中，我们介绍了一种基于移动边缘计算，利用分布式客户端数据和计算资源进行高性能机器学习模型训练的框架，该框架扩展了联邦学习的分布式学习框架，以实现与实际基于蜂窝网络的异构客户端的协作；我们的新 FL 协议（FedCS）通过解决具有资源限制的客户端选择问题来提高训练效率，在公开可用的大规模图像数据集上进行实验，实验结果表明，与原始 FL 协议相比，FedCS 能够在显著缩短的时间内完成训练。
mobile edge computingmachine learningfederated learningprivacyclient selection
发现论文，激发创造
  • 移动边缘计算系统中基于可靠性不敏感客户端的联邦学习加速

    本文设计了一种称为 HybridFL 的多层联邦学习协议，该协议结合了边缘节点和云端两层不同的模型聚合策略，并使用概率方法在不确定的末端设备状态下通过区域弹性因子来选择客户端，实验证明了该协议在不同规模的 MEC 系统中显著提高了 FL 训练过程的效率，缩短了联邦轮次长度，加速了全局模型的收敛速度（最多快 12 倍），并降低了末端设备的能耗（最多降低 58%）。

    Jul, 2020

  • 移动联邦学习网络的多层客户端选择

    提出了一种称为 SocFedCS 的新的基于 Lyapunov 优化的优化客户端选择方案，其通过信任网络在移动联邦学习网络中最小化成本并训练高质量的联邦学习模型，在四个真实世界的多媒体数据集上的实验表明，它的平均测试准确率比最佳基线高 2.06％，成本低 12.24％。

    May, 2023

  • 移动边缘网络中的联邦学习：一项全面调查

    本文介绍了联邦学习技术与移动边缘计算的应用，讨论了在大规模和复杂的移动边缘网络中实现联邦学习所面临的挑战以及现有解决方案，探讨了联邦学习在移动边缘网络优化中的应用，以及未来的研究方向与挑战，包括保护隐私与安全。

    Sep, 2019

  • 多接入边缘计算系统中基于能源感知的联邦学习资源管理

    在本文中，我们提出了一种能够减少总时间消耗和移动设备能量消耗的能量感知资源管理策略，同时考虑到移动设备的能量限制，将问题重新架构为广义 Nash 平衡问题，分析了数据集卸载和计算资源分配对模型训练损失、时间和能量消耗的影响。

    Jan, 2021

  • 基于 MAB 的不确定资源移动网络联邦学习客户端选择

    本文提出了一种针对联邦学习（FL）客户端不能评估计算和通信资源的客户端选择方法，该方法使用移动客户端的丰富数据和计算资源训练机器学习（ML）模型，而无需在集中式系统中收集其数据。

    Sep, 2020

  • 混合联邦与集中式学习

    提出一种混合联邦和集中式学习（HFCL）框架，采用先进的数据传输方法并在计算资源不足时使用集中式学习方法，以有效地训练学习模型，并在所有客户端合作的同时提高学习准确度。

    Nov, 2020

  • 联邦学习中客户选择的综合调查

    联邦学习是机器学习领域中迅速发展的领域，允许数据在多个分散设备上进行训练。客户端选择是整个系统性能的关键因素。本调查综述了联邦学习中最先进的客户端选择技术，包括它们的优点、局限性以及需解决的挑战和开放问题。我们涵盖了传统的选择技术，例如随机选择，其中选择所有或部分随机的客户端进行训练。我们还涵盖了面向性能和面向资源的选择，适用于资源受限和异构网络。我们还讨论了客户端选择在模型安全增强中的使用。最后，我们讨论了动态约束和异构网络中的客户端选择相关的开放问题和挑战。

    Nov, 2023

  • 基于物联网边缘设备的联邦学习实证研究：资源分配与异构性

    本文通过在大量物联网和边缘设备网络上系统地进行广泛实验，重点关注异构情况，以探究在设备上实施联合学习的可行性，并呈现了其现实世界的特征，包括学习性能和操作成本，为研究人员和从业者提供有价值的见解，促进联邦学习的实用性，并帮助改进现有的联邦学习系统设计。

    May, 2023

  • 无线网络上的联邦学习：收敛分析和资源分配

    提出了一种处理异构用户设备数据的联邦学习算法，同时结合对微波资源分配问题的优化，实现了收敛速率和能耗之间的平衡，并用 Tensorflow 实验验证了该算法的理论分析和优化表现。

    Oct, 2019

  • 一种提高联邦学习效率且保证公平性的客户端选择方案

    本文旨在解决集中式人工智能模型训练时可能存在的隐私泄漏问题。作者提出一种公平保障的客户选择算法，其根据 Lyapunov 优化问题进行建模，通过 C2MAB 估计模型交换时间，称为 RBCS-F。通过理论分析和真实数据实验，证明了该算法的可行性和实用性。

    Nov, 2020