在航空领域中，将联邦学习和主动学习相结合以实现通信高效的分布式故障预测

Jan, 2020

在航空领域中，将联邦学习和主动学习相结合以实现通信高效的分布式故障预测

Combining Federated and Active Learning for Communication-efficient Distributed Failure Prediction in Aeronautics

Nicolas Aussel, Sophie Chabridon, Yohan Petetin

TL;DR本文提出了一种基于中心化分布式学习算法，结合主动学习和联邦学习范式，优化计算和通信资源利用，实现了精确模型预测性能，且表现接近非分布式学习的最新水平。

Abstract

machine learning has proven useful in the recent years as a way to achieve failure prediction for industrial systems. However, the high computational resources necessary to run learning algorithms are an obstacle to its widespread application. The sub-field of →

machine learning distributed learning centralized architecture active learning federated learning

发现论文，激发创造

联邦学习与无线通信

本篇文章探讨了联邦学习与无线通信之间的关系，包括联邦学习的基本原理、训练模型的有效通信、联邦学习对智能无线应用的潜在贡献以及未来研究挑战和方向。

May, 2020

面向无人机网络的分散联邦学习方法，以减少通信成本和能量消耗

本文提出了两种基于去中心化的联邦学习聚合方法 —— 可交换联邦学习、交替式联邦学习，用于解决现有模型机器学习模型在无人机领域数据隐私、通信成本、以及能源等方面存在的问题，通过控制本地训练轮数、本地通信以及全局通信的方式，可有效地控制能源消耗和通信成本，模拟结果表明该方法在运行稳定性、能源消耗和通信成本等方面优于现有的基准方法。

Apr, 2023

自适应联邦 Dropout：提高联邦学习的通信效率和泛化能力

本文介绍了一种名为自适应联邦 Dropout（AFD）的新型技术，用于减少联邦学习中与通信成本相关的问题，此策略与现有压缩方法相结合可以提供高达 57 倍的收敛时间，同时还改善了模型泛化。

Nov, 2020

联邦学习：提高通信效率的策略

本文探讨联邦学习中的机器学习算法以及通过结构化更新和草图更新的方式来降低通信成本，实验结果表明这两种方法可以将通信成本降低两个数量级。

Oct, 2016

高效沟通的自适应联邦学习

本文介绍了一种新的通信高效的自适应联邦学习方法 FedCAMS，该方法具有理论收敛保证并在各种基准测试上进行了广泛实验验证。

May, 2022

带噪声通信的鲁棒联邦学习

本研究提出一种鲁棒的联邦学习方案，通过并行优化、正则化等方法减小噪声影响，并从理论角度分析了其收敛性和准确性改善，仿真实验进一步验证了该方案的有效性。