边缘联邦学习的编码计算

ICMLJul, 2020

Coded Computing for Federated Learning at the Edge

Saurav Prakash, Sagar Dhakal, Mustafa Akdeniz, A. Salman Avestimehr, Nageen Himayat

TL;DRCodedFedL extends CFL to distributed non-linear regression and classification problems with multioutput labels by exploiting distributed kernel embedding using random Fourier features that transforms the training task into distributed linear regression, providing an analytical solution for load allocation and significant performance gains over benchmark datasets using practical network parameters.

Abstract

federated learning (FL) is an exciting new paradigm that enables training a global model from data generated locally at the client nodes, without moving client data to a centralized server. Performance of FL in a multi-access edge computing (MEC) network suffers from slow convergence d

federated learning coded federated learning mec network distributed non-linear regression random fourier features

发现论文，激发创造

无线边缘网络下低延迟联邦学习的编码计算

本文提出了一种注入结构编码冗余的编码计算框架 CodedFedL，用于在 MEC 网络中进行非线性联合学习，通过利用计算统计属性和通信延迟，找到客户端处理的本地数据点数量和编码冗余量，从而加快训练过程中的收敛速度，并分析了 CodedFedL 的收敛率和迭代复杂度。

Nov, 2020

编码联邦学习

本研究提出了一种编码联邦学习方法，解决了异构计算平台上 (如无线边缘) 的迟滞计算和通信以及时模型更新的问题，并通过预计算冗余渐变来加速全局模型收敛达四倍以上。

Feb, 2020

移动边缘计算系统中基于可靠性不敏感客户端的联邦学习加速

本文设计了一种称为 HybridFL 的多层联邦学习协议，该协议结合了边缘节点和云端两层不同的模型聚合策略，并使用概率方法在不确定的末端设备状态下通过区域弹性因子来选择客户端，实验证明了该协议在不同规模的 MEC 系统中显著提高了 FL 训练过程的效率，缩短了联邦轮次长度，加速了全局模型的收敛速度（最多快 12 倍），并降低了末端设备的能耗（最多降低 58%）。

Jul, 2020

FedCode: 通过传输密码本实现高效沟通的联邦学习

FedCode 是一种降低通信量的分布式机器学习方法，通过只传输代码簿来有效减少客户端与服务器之间的数据交互，同时保持与 FedAvg 相当的模型性能。

Nov, 2023

通过多维个性化边缘模型实现更公平和有效的联邦学习

本文提出了一种个性化的联邦学习（CFL）系统，通过特殊设计的全局模型为每个客户定制个性化模型，采用在线训练的模型搜索辅助器和新型聚合算法，解决 FL 在多个维度上的异质性问题。实验证明，CFL 在 FL 训练和边缘推断方面具有全栈优势，并显著改进了模型准确性（在非异构环境中高达 7.2％，在异构环境中高达 21.8％）、效率和公平性。

Feb, 2023

聚类联邦学习：在隐私约束下的模型无关分布式多任务优化

本研究提出了一种基于聚类的联邦多任务学习框架（Clustered Federated Learning），可在保持数据隐私性的同时，更好地解决联邦学习中本地数据分布不同的问题，并在深度卷积和循环神经网络上进行实验证明了其有效性。

Oct, 2019

移动边缘异构资源联邦学习的客户端选择

本篇论文中，我们介绍了一种基于移动边缘计算，利用分布式客户端数据和计算资源进行高性能机器学习模型训练的框架，该框架扩展了联邦学习的分布式学习框架，以实现与实际基于蜂窝网络的异构客户端的协作；我们的新 FL 协议（FedCS）通过解决具有资源限制的客户端选择问题来提高训练效率，在公开可用的大规模图像数据集上进行实验，实验结果表明，与原始 FL 协议相比，FedCS 能够在显著缩短的时间内完成训练。

Apr, 2018

FedClust: 通过权重驱动的客户端聚类优化非 IID 数据上的联邦学习

FedClust 是一种聚类联邦学习方法，利用局部模型权重和客户数据分布之间的相关性将客户分组成簇，并动态地实时适应新加入的客户，实验结果表明 FedClust 在准确性和通信成本方面优于基线方法。

Mar, 2024

移动边缘网络中的联邦学习：一项全面调查

本文介绍了联邦学习技术与移动边缘计算的应用，讨论了在大规模和复杂的移动边缘网络中实现联邦学习所面临的挑战以及现有解决方案，探讨了联邦学习在移动边缘网络优化中的应用，以及未来的研究方向与挑战，包括保护隐私与安全。

Sep, 2019

面向异构边缘 / 雾网络的协作联邦学习

提出一种合作的边缘 / 雾设备机器学习范例 — 合作联邦学习 (CFL)，通过设备之间和设备与服务器之间的协作，实现模型 / 数据 / 资源池化机制，以解决边缘 / 雾网络中网络异构性问题，提高机器学习模型的质量和网络此消耗。同时，该范例还支持无标签数据和异构设备隐私等新功能。

Mar, 2023