边缘无线网络分布式机器学习的 D2D 数据共享

MMJan, 2020

边缘无线网络分布式机器学习的 D2D 数据共享

D2D-Enabled Data Sharing for Distributed Machine Learning at Wireless Network Edge

Xiaoran Cai, Xiaopeng Mo, Junyang Chen, Jie Xu

TL;DR本文提出使用不同边缘设备间通过通信链接共享数据样本的新设备到设备的数据共享方法，在此设置下，优化了无线电资源分配以减少训练时延，并在数据样本在边缘设备之间非独立且非同分布时增加了训练精度。

Abstract

mobile edge learning is an emerging technique that enables distributed edge devices to collaborate in training shared machine learning models by exploiting their local data samples and communication and computati

mobile edge learning distributed edge devices machine learning models data sharing approach training delay

发现论文，激发创造

无线网络中的分布式学习：最近进展与未来挑战

本文主要研究了分布式学习如何在无线边缘网络中高效地部署，主要介绍了联邦学习、联邦蒸馏、分布式推理和多智能体强化学习等多种分布式学习范例，并提供了详细的文献综述和通信技术优化实例，旨在为实际无线通信网络中分布式学习的部署提供个整体指导原则。

Apr, 2021

无线网络中的协作学习：介绍性概述

本文主要关注跨无线设备的协作训练，分布式机器学习算法解决了数据隐私和计算资源分散利用的问题，但无线设备的异构性与通信限制也给分布式算法设计带来了挑战。

Dec, 2021

合作边缘网络下的联邦学习设备采样和资源优化

通过智能设备采样和设备之间的数据卸载，优化联邦学习的训练准确性以及数据处理和设备通信资源的消耗。通过图卷积网络学习网络属性、采样节点和设备之间的数据卸载之间的关系，该方法优于现有的文献中的设备采样方法。

Nov, 2023

边缘智能无线网络

本文探讨了边缘机器学习的关键构建块，神经网络架构的不同分裂及其内在的权衡，以及来自广泛数学学科的理论和技术促进因素，最终呈现了几个关于各种高风险应用的案例研究，展示了边缘机器学习在发挥 5G 及其以后的全部潜力方面的有效性。

Dec, 2018

利用大规模 D2D 协作进行高效能移动边缘计算

本文提出一种新的 D2D Crowd 框架，旨在通过网络边缘的设备之间的协作，共享计算和通信资源来实现移动用户的能源高效协同任务执行，该框架通过引入 D2D Crowd 系统模型，制定了考虑必要约束的能效 D2D Crowd 任务分配问题，并提出基于图匹配的最优任务分配策略，经过大量的数值测试评估，证明该策略比本地任务执行节能 50％以上，并讨论了该框架的扩展方向。

Mar, 2017

基于无线 D2D 网络的分散联邦学习

本文提出了一种在无线边缘设备间通过分布式学习模型的联合训练方式，使用 Decentralized Stochastic Gradient Descent 协议实现设备间协同训练，通过适应路径损耗、衰落、阻挡和干扰等因素的技术，在物理层上利用稀疏基础恢复实现了无线波传输和计算的处理。

Feb, 2020

在无线联合边缘学习系统中加速 DNN 训练

研究节约时间、资源、保隐私的联邦边缘学习架构系统，通过 CPU 和 GPU 场景的联合批大小选取和通信资源分配，来缩短训练时间并提高训练准确性。

May, 2019

资源受限边缘计算系统中的自适应联邦学习

本文主要研究在边缘计算环境中使用分布式梯度下降学习模型参数的问题，提出控制算法以最小化给定资源预算下的损失函数，并通过真实数据集的大量实验评估算法性能。

Apr, 2018

走向智能边缘：无线通信与机器学习相遇

人工智能的复兴引发了边缘学习新研究领域的兴起，以支持在各种边缘设备上部署基于人工智能的应用程序，该领域通过利用移动边缘计算平台及在大量边缘设备上分布的海量数据来克服每个边缘设备的有限计算能力和数据量，并提出了一些以学习为驱动的无线通信设计原则，这为边缘通信和学习研究提供了新的机会。

Sep, 2018

无线网络上通信高效的分布式学习原理与应用

该研究论文总结了与机器学习相关的通信和 ML 原则，并提出了具有选定用例的通信高效和分布式学习框架。

Aug, 2020