Feb, 2020

HFEL：面向成本效益的分层联合边缘学习的联合边缘关联和资源分配

PDF
TL;DR介绍了一种新的 Hierarchical Federated Edge Learning（HFEL）框架，以及在此框架下计算和通信资源分配以及设备用户的边缘关联问题的解决方案，同时提出了一种有效的资源调度算法。经过广泛的性能评估，表明 HFEL 框架优于传统联邦学习的基准，并且可以实现更好的训练性能和全球成本节约。
federated learninghierarchical federated edge learningresource allocationedge associationglobal cost minimization
发现论文，激发创造
  • 层次化联邦学习在无线网络上的用户分配和资源分配

    该论文提出了一种层次化联邦学习（Hierarchical FL）框架，并引入了光谱资源优化算法（SROA）和两阶段迭代算法（TSIA），以实现在无线用户大数据集中能源消耗和延迟降低方面的领先优势。

    Sep, 2023

  • 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

  • 基于聚类的个性化联邦学习能量感知边缘关联

    通过无线网络实现联邦学习，并使用基于深度强化学习的方法来进行边缘关联，以提高精度和降低能耗，进而实现成本效益的个性化联邦学习。

    Feb, 2022

  • ESFL：高效的资源受限异构无线设备下的分割式联邦学习

    我们提出了一种高效的分布式联合学习算法（ESFL），通过在服务器和终端设备之间将模型分割为不同的子模型，综合考虑用户异构性，同时优化用户端工作量和服务器端计算资源分配，以充分利用中央服务器的强大计算能力。与标准的联合学习、分割学习和分割联合学习相比，通过大量模拟实验证明我们的 ESFL 方法显著提高了效率。

    Feb, 2024

  • 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

  • 资源有效的异构和资源受限环境下的联邦学习

    在本文中，我们提出了一种名为 RE-FL 的新方法，该方法解决了资源受限设备中计算和通信挑战的问题。我们的可变修剪技术通过根据每个客户端的计算能力进行修剪来优化资源利用。我们还使用知识蒸馏来减少带宽消耗和通信轮次。对图像分类任务的实验结果证明了我们的方法在资源受限环境中保持数据隐私和性能的有效性，同时适应了异构模型架构。

    Aug, 2023

  • 物联网分层联邦学习中的设备调度和分配

    提出了改进的 K-Center 算法用于设备调度，并引入了基于深度强化学习的方法来分配物联网设备给边缘服务器，证明了在进行 Hierarchical FL 时，调度 50% 的物联网设备通常足以实现收敛，同时延迟和能耗明显降低，而在追求绿色人工智能以及减少消息传输方面，调度 30% 的物联网设备能够在保持模型准确度的同时大幅减少能耗和消息量。

    Feb, 2024

  • 利用联邦学习和边缘计算在云计算网络中进行推荐系统

    通过将人工智能（AI）与边缘计算相结合，边缘智能利用终端设备和边缘服务器的计算和通信能力，在数据产生的地方进行处理，从而实现人工智能的大规模和高效部署。其中一项关键技术是隐私保护的机器学习范式 Federated Learning（FL），该范式使数据所有者能够在无需将原始数据传输到第三方服务器的情况下训练模型。然而，FL 网络预计涉及成千上万个异构分布式设备，因此通信效率仍然是一个关键瓶颈。为了减少节点故障和设备退出，提出了一种分层联邦学习（HFL）框架，其中指定的集群领导者通过中间模型聚合支持数据所有者。因此，基于改进的边缘服务器资源利用，本文可以有效弥补缓存容量的限制。为了减轻软点击对用户体验质量（QoE）的影响，作者将用户 QoE 建模为综合系统成本。为解决这个公式化问题，作者提出了一种具有联邦深度强化学习（DRL）和联邦学习（FL）的分散式缓存算法，其中多个代理独立学习并做出决策。

    Mar, 2024

  • 基于层次物联网网络的成本有效联邦学习的学习者转介

    利用联邦学习，联合学员推荐辅助联邦客户选择（LRef-FedCS）和通信资源调度、本地模型准确性优化（LMAO）方法来解决在分层物联网（HieIoT）网络中最差情况下参与者产生的成本和确保联邦学习的长期公平性的问题。

    Jul, 2023

  • 无线网络上的联邦学习：收敛分析和资源分配

    提出了一种处理异构用户设备数据的联邦学习算法，同时结合对微波资源分配问题的优化，实现了收敛速率和能耗之间的平衡，并用 Tensorflow 实验验证了该算法的理论分析和优化表现。

    Oct, 2019