Apr, 2020

面向网络优化的雾计算分布式学习

PDF
TL;DR本文提出了一种网络感知分布式学习优化方法，使设备在成本和效益之间进行数据传输和处理决策，并通过测试数据集证明算法能够显著提高网络资源利用效率，同时不损害模型学习准确性。
fog computingdistributed learning optimizationdata processingfederated learningnetwork topologies
发现论文，激发创造
  • 从联邦学习到雾计算学习：在异构无线网络上的分布式机器学习

    通过使用一种叫作 Fog learning 的新学习范式，从边缘设备到云服务器中智能地分布机器学习模型的训练，来增强联邦学习的三个重要维度：网络、异构性和邻近性，并考虑由各种接近程度异构设备组成的多层混合学习框架，通过设备到设备（D2D）通信进行协作学习，使其从联邦学习中用于参数传输的星型网络拓扑迁移到更分布式的规模。

    Jun, 2020

  • FedFog: 基于网络感知优化的无线雾云联合学习

    本文通过提出一种基于联邦平均的高效 FL（FedFog）算法，结合一种新型的面向网络的 FL 优化问题，提高了资源利用率并在保证学习精度的同时，通过采用用户聚合策略，缓解慢用户的影响，并减小了时间开销。对多项真实 FL 任务的数值结果进行了广泛的理论收敛验证和实际应用展示。

    Jul, 2021

  • 一种在线优化框架 —— 最小化延迟的分布式雾网络形成

    针对雾计算中存在的不确定性，本文提出了一种在混合雾 - 云架构下，考虑到邻近雾节点到达过程的阈值算法来选择邻居节点，并通过任务分配优化减少延迟的在线优化框架，在不同的网络设置下成功地减少了 19.25% 的延迟，有效地解决了雾节点形成和任务分配问题。

    Oct, 2017

  • 触觉互联网中能耗高效的雾计算分布式优化

    该论文研究了支持低延迟触觉互联应用的能量高效雾计算网络的设计，引入了一种称为 offload forwarding 的新型合作雾计算概念，详细阐述了在集中式和分布式训练解决方案中的设计细节和优化算法。

    Jan, 2020

  • 联邦优化：面向设备智能的分布式机器学习

    本研究提出了一种称为联邦优化的新的分布式机器学习设置，其中优化定义的数据分布在大量节点之间，通过少量通信轮次训练高品质集中模型，本文提出的新算法对于稀疏凸问题的实验结果表现可圈可点，并为未来的联邦优化研究提供了借鉴。

    Oct, 2016

  • 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

  • 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

  • 联邦优化：超越数据中心的分布式优化

    介绍了一种分布式机器学习的新技术 - 联邦优化。该技术针对数据分布不均、节点数量极大的情况，通过让本地的移动设备参与计算，以更新全局模型。该研究提出了一种适用于该技术的新算法，并展示了其在实验中的优异表现。

    Nov, 2015

  • 使用机器学习进行车联网雾计算中的切换优化

    本研究针对未来雾计算系统，提出了一种基于学习的车联网移交优化方案，利用机器学习算法学习车辆与雾节点的互动，运用神经网络预测给定位置和时间的正确雾节点，以及实现了一种双层堆叠的循环神经网络，可以学习处理请求的高延时服务，用于创建智能请求路由机制，优化服务中断并预测低覆盖区域，其测试集准确率达到 99.2%。

    Dec, 2018

  • 异构联邦学习中的设备采样：理论、算法和实现

    本文提出了一种基于设备采样和设备到设备卸载组合优化的联邦学习优化算法，通过优化采样节点和数据卸载配置来最大化 FedL 训练的准确性，有效提高了训练模型的准确性和资源利用率。

    Jan, 2021