提出了一种叫做联邦学习的分散式学习结构,该结构可以在物联网设备中实现机器学习,通过处理来自不同客户端的数据,以预测未来事件。此方法可解决传统机器学习中遇到的通信开销、隐私泄露和安全性等问题,同时也避免了中央服务器的使用。本文讨论了在客户端资源有限的情况下实施联邦学习的挑战和应用。
Feb, 2020
在技术时代,数据是一种越来越重要的资源。本文介绍了使用树莓派开发的联邦学习(FL)解决方案原型,通过测试其性能和可用性证明了这些技术的可行性,尽管在许多情况下它们没有达到传统方法的性能水平。
Nov, 2023
通过对资源受限物联网环境中实施联邦学习的挑战和解决方案的综合调研,从客户端和服务器两个层面上,关注有限的客户端资源、异构客户端数据的存在、服务器容量和高通信成本等问题,并评估它们在各种场景中的有效性。此外,基于应用位置(即物联网客户端和联邦学习服务器),本文还提出了新的评估指标,以允许研究人员在资源受限的物联网设备上评估其解决方案。
Aug, 2023
用于解决联邦学习中数据隐私问题导致的设备端数据无法被中心服务器使用的问题,本文提出了一种基于估计方案的设备选择算法,以最小化类别不平衡来提高联邦学习全局模型的收敛性能。
Nov, 2020
随着越来越多的物联网设备在现场部署,将神经网络的训练卸载到中央服务器变得越来越不可行,本文调查了联合学习在克服异构性挑战方面的应用和益处。
Jul, 2023
去中心化联邦学习解决方案的综述,包括现有的方法和未来的研究方向。
联邦学习是用于分散式物联网设备训练机器学习模型的默认方法之一。但是,本研究表明,联邦学习中共享的模型权重可能泄露物联网设备的本地数据分布信息,并且模型权重注入噪声无法有效防止数据泄露。
本研究是一项关于边缘设备上联合学习技术在物联网(IoT)应用中的综合调研,探索并分析 FL 在 IoT 数据共享、攻击检测、安全、智慧医疗,智能交通,无人机,智慧城市,智慧工业等应用领域中的潜力,并总结了可借鉴的经验教训和当前的挑战与未来研究方向。
Apr, 2021
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
在高度普及的边缘场景中,缺乏中央控制器和预定的设备连接导致了复杂的网络结构,我们提出了一种通信高效的分散式联邦学习(DFL)算法来解决由数据和不同训练历史引起的异构学习难题,研究结果表明,与竞争方法相比,我们的解决方案能够训练出更好的本地模型并且在通信效率上更为优越。
Dec, 2023