Dec, 2018

LEAF：联邦学习基准

PDF
TL;DR该研究提出了一个模块化基准测试框架 LEAF，该框架包括一套开源联合数据集、一个严格的评估框架和一套参考实现，旨在解决联合学习、元学习和多任务学习等研究领域所面临的挑战并推动这些领域的发展。
federated networksfederated learningmeta-learningmulti-task learningleaf
发现论文，激发创造
  • Flower：一个友好的联邦学习研究框架

    介绍了一种名为 Flower 的综合性联合学习框架，可以执行大规模的联合学习实验，并考虑丰富的异构 FL 设备方案。

    Jul, 2020

  • 具有快速收敛和高效通信的联邦元学习

    本文提出了一个联邦元学习框架 FedMeta，其中共享参数化算法而非全局模型以解决分布式移动设备网络中训练机器学习模型的统计和系统挑战，并在数据集上进行广泛实证研究，结果显示 FedMeta 相比于联邦平均 FedAvg 能够在 2.82-4.33 倍的通信成本和更快的收敛速度上取得 3.23%-14.84% 的准确性提升，并对用户隐私进行保护。

    Feb, 2018

  • 联邦边缘学习：设计问题和挑战

    本文研究了在边缘网络上进行 FEEL 的挑战和权衡，提出了一种数据感知调度的通用框架作为未来研究方向的指南，并讨论了数据评估的主要轴和要求以及一些可利用的技术和指标。

    Aug, 2020

  • 联邦学习的挑战与机遇：展望

    该研究论文展望了联邦学习的发展，并阐述了五个与算法基础、个性化、硬件和安全限制、终身学习以及非标准化数据相关的方向。该研究可为边缘设备的大规模联邦系统提供实用观察。

    Feb, 2022

  • 带异构标签和模型的资源受限联邦学习

    本文提出了一个应对标签异质性的框架，该框架通过简单的 α 加权联邦聚合计算分数获得了最多 16.7% 的平均确定性准确性提高，并在树莓派 2 上进行了实验以演示其设备内功能。

    Nov, 2020

  • 智能移动健康系统的隐私保护边缘联邦学习

    我们提出一种在物联网基础设施上，针对资源受限的移动健康和可穿戴技术的隐私保护边缘联邦学习框架，并通过在 Amazon 的 AWS 云平台上使用可穿戴技术监测癫痫的发作检测应用的实施评估了我们提议的框架。

    May, 2024

  • 边缘感知设备上的联邦学习：综述

    通过对边缘传感设备的视角，本文回顾了联邦学习策略，探讨了关键联邦学习原理、软件框架和测试平台，并且研究了联邦学习在当前传感技术、传感设备性能和传感应用上的应用，最后讨论了未来研究方向。

    Nov, 2023

  • 使用联邦学习和乐观 Rollups 的服务质量合规系统

    提出了一种基于边缘计算场景的去中心化区块链联邦学习（FL）结构，利用区块链提高 FL 结构的安全性，并应用区块链创建 FL 的奖励机制以实现训练者的激励策略。

    Nov, 2023

  • 边缘实时智能：基于联邦元学习的协作学习框架

    提出了一种基于联邦元学习的平台辅助协作学习框架，用于解决物联网边缘节点受限计算资源和数据局限性的问题，并实现了针对边缘目标节点的快速任务适应。此外，还提出了基于分布式鲁棒优化的鲁棒性联邦元学习算法，并在数据集上展示了其有效性。

    Jan, 2020

  • 面向边缘 IoT 网络的生命周期扩展联邦学习客户端选择

    本文提出了一种名为 FedLE 的能源高效客户端选择框架，通过对模型分布相似的客户端进行聚类，延长边缘 IoT 网络的寿命，以解决 IoT 设备的数量庞大和因能量限制造成的选举和更新模型的问题。

    Feb, 2023