Dec, 2018

低延迟联邦边缘学习的宽带模拟聚合（扩展版）

PDF
TL;DR该论文提出了一种低延迟多接入方案，利用模拟聚合和多接入通道的叠加特性，实现了快速聚合模型的更新并使边缘学习具有更好的性能表现和低延迟。
edge learningmulti-access schemefederated learninganalog aggregationlatency reduction
发现论文，激发创造
  • 基于一比特信令的无线网络聚合通信的边缘计算联邦学习算法：设计与收敛分析

    本文提出了一种数字宽带聚合方案，称为单比特数字宽带聚合（OBDA），用以解决多设备使用同一通信媒介所带来的通信瓶颈问题，并对其在无线信道干扰下的收敛速率进行综合分析。

    Jan, 2020

  • 盲联邦边缘学习

    本文研究边缘设备协作学习中的无线联邦学习，其中利用无线接入点作为参数服务器，使用 “over-the-air” 聚合方案实现全局模型的积极性和设备间的协作，通过使用接收波束成形方案来补偿缺乏完美信道状态信息带来的破坏效应，证明该算法在具有足够天线数量的情况下可以改善其性能。

    Oct, 2020

  • 异质联合边缘学习的快速收敛：自适应协作信令辅助数据组播方法

    基于群集数据共享的联邦边缘学习 (FEEL) 是为 6G 超连接而出现的分布式机器学习范式，通过保护数据隐私，利用物联网设备的数据。为了解决 FEEL 中的统计不平衡问题，我们引入了一个集群数据共享框架，通过辅助多播来选择性地从集群头部共享部分数据给可信合作伙伴，以缓解数据异质性。所提出的框架在有限的通信环境中，能够在非独立和非齐分布的数据集上实现更快的收敛速度和更高的模型准确性。

    Jun, 2024

  • 联邦边缘学习的能效无线资源分配

    本文探讨了能够满足数据隐私保护的联邦边缘学习框架 (FEEL)。通过在边缘设备上进行本地模型训练并与全局模型在服务器上进行协调，实现了边缘设备上的学习算法。为了减少设备的能耗，在保证学习性能的基础上，我们提出了一些节能策略，并且根据设备的信道状态和计算能力分配带宽和安排时间表。与传统的速率最大化设计相比，我们的优化策略为弱信道和计算能力较差的设备分配更多的带宽，以确保 FEEL 中模型的同步更新。同时，为了提高学习性能，我们也设计出一个移动策略以给予更好信道和计算能力的设备更高的优先级。实验结果表明，我们提出的策略在节能方面有显著的提升。

    Jul, 2019

  • 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

  • 跨異質蜂巢網絡的階層式聯邦學習

    研究使用梯度稀疏化和周期性平均的分层联邦学习框架，来在异构蜂窝网络中实现协作机器学习任务。结果表明，该方案可以显着降低通信延迟且不会减少模型精度。

    Sep, 2019

  • 优化梯度量化与带宽分配的联邦边缘学习训练时间最小化

    本文研究在量化的联邦边缘学习系统中，通过使用随机量化方案来压缩上传的梯度向量，从而减少每轮通信的负担，但代价是增加通信轮数，探索最小化训练时间的问题，并提出了一种基于数据和模型驱动的拟合方法与基于暴力搜索的交替优化算法来实现总带宽约束下的联合量化级别和带宽分配优化问题。

    Dec, 2021

  • 基于流数据的能效联合边缘学习：一种 Lyapunov 优化方法

    通过动态调度和资源分配算法解决异构数据和时间变化目标函数下，在长期能量限制条件下，流式数据随机生成和资源可用性的固有随机性，并通过仿真结果验证了所提出方案相对于基准方案的学习性能和能效的提高。

    May, 2024

  • 具有重要性和通道感知的蜂窝联合边缘学习调度

    本文提出了一种新的调度策略，通过多用户通道和边缘设备学习更新的重要性方面的多样性来实现更快的模型收敛和更高的学习准确性，该策略在无线通信领域具有重要的实际应用价值。

    Apr, 2020

  • 卫星联邦边缘学习：架构设计与收敛分析

    这篇论文介绍了一种名为 FEDMEGA 的针对低地球轨道卫星网络的新型 FEEL 算法，通过整合卫星间链接和全网模型聚合方案，提高了传输效率，实现了大约 30% 的收敛速度提升。

    Apr, 2024