Feb, 2020

联合通信与计算设计的能效联邦边缘学习

PDF
TL;DR本文研究了联邦边缘学习系统，旨在通过协调边缘设备共同训练机器学习模型，以提高系统能效。同时，利用联合通信和计算设计优化边缘设备传输协议，通过最小化边缘设备上传机器学习模型参数时的总能耗，提高系统能效。作者提出了一种有效的算法来优化能量下降问题。数值结果显示，相对于其他基准方案，作者提出的联合通信和计算设计可以显著提高联邦边缘学习系统的能效。
发现论文，激发创造
  • 无线通信网络上的能效联邦学习

    研究了基于无线通信网络的联邦学习中的能源有效传输和计算资源分配问题，并提出了一种迭代算法，以解决此优化问题，并通过数值结果表明了该算法相对于传统 FL 方法可将能源消耗降低高达 59.5％。

    Nov, 2019

  • 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

  • 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

  • 物联网网络中联合边缘智能的资源效率优化

    本文提出了一种新的框架，叫做联合边缘智能（FEI），以评估物联网网络的能量成本和边缘服务器的本地数据处理能力，从而使边缘服务器适时地请求足够训练令人满意的模型所需的数据。同时，本文引入了映射函数来评估边缘服务器的计算负载，最后采用基于 ADMM 的方法来优化物联网网络的能量成本和边缘服务器的平均计算资源利用率。该文证明，所提出的算法不会泄露任何数据，也不会泄漏物联网网络的拓扑信息。仿真结果表明，FEI 框架可以在有限的牺牲模型收敛性能的情况下，显著提高物联网网络和边缘服务器的资源效率。

    Nov, 2020

  • 联合计算和通信协作的能效移动边缘计算

    这篇论文提出了一种新颖的移动边缘计算 (MEC) 系统中的用户合作方法，既在计算方面，又在通信方面，以改善低延迟计算任务的能效。通过对部分和二进制卸载两种计算卸载模型的研究，并联合优化用户和助手的计算和通信资源，本研究提出的方案明显提高了用户和助手节点的计算能力和能源效率。

    May, 2018

  • 多服务器无线联邦学习

    本文提出了一种基于聚类的两层联邦学习算法，使用可扩展的聚类无线聚合方案实现算法的上行传输，使用适用于带宽受限的广播方案进行下行传输，展示了在干扰环境下该方法的高精度学习表现并导出该方法的收敛界。

    Nov, 2022

  • 优化联邦学习在 6G 网络的计算和网络融合中的通信效率

    通过引导参与联邦学习的设备基于业务需求、资源负载、网络状况和设备的算术能力，计算和网络融合（CNC）可以提高联邦学习在复杂网络环境中的通信效率，并通过优化模型参数传输过程中的通信效率来解决复杂网络情况下的延迟分布和网络资源利用率的问题。

    Nov, 2023

  • 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

  • 边缘学习中资源管理的重新思考：一种联合预训练和微调的设计范式

    在边缘学习系统中，本文研究了双阶段学习中的联合通信和计算资源管理问题，分析了系统参数对收敛速率的影响，并提出了一个联合资源管理设计来优化系统性能。该设计充分利用了预训练和微调之间的固有权衡，有效地优化整体系统性能。

    Apr, 2024