本论文探讨了利用 Flower 框架在各种智能手机和嵌入式设备上进行设备内联合学习的系统成本,并讨论了如何利用此定量数据来设计更有效的联邦学习算法。
Apr, 2021
在高度普及的边缘场景中,缺乏中央控制器和预定的设备连接导致了复杂的网络结构,我们提出了一种通信高效的分散式联邦学习(DFL)算法来解决由数据和不同训练历史引起的异构学习难题,研究结果表明,与竞争方法相比,我们的解决方案能够训练出更好的本地模型并且在通信效率上更为优越。
Dec, 2023
本文通过在大量物联网和边缘设备网络上系统地进行广泛实验,重点关注异构情况,以探究在设备上实施联合学习的可行性,并呈现了其现实世界的特征,包括学习性能和操作成本,为研究人员和从业者提供有价值的见解,促进联邦学习的实用性,并帮助改进现有的联邦学习系统设计。
May, 2023
我们介绍了一个名为 flwr-serverless 的程序包,扩展了 Flower 包的功能,实现了同步和异步的联邦学习,并且无需中央服务器运行,通过一系列使用公共数据集的实验,我们证明了这种方法减少了联邦训练的时间和成本,为实施和实验联邦学习系统提供了更简单的方式。
Oct, 2023
该研究基于一项新的分类机制,综合分析和总结了现有各种异步 FL 范式,包括异构设备上的设备异构性、数据异构性、隐私和安全性,以及异构设备上的应用。该研究揭示了该领域面临的挑战并提出了潜在的研究方向。
Sep, 2021
EdgeFL 是一种去中心化、轻量化的边缘 FL 框架,通过采用边缘模型训练和聚合方法来克服集中式聚合和 FL 部署可扩展性的限制,提供了更好的性能、更新延迟和分类准确性。
Sep, 2023
通过网络设计和资源编排的两个方面讨论了实现可扩展无线联邦学习的挑战和解决方案,并提出了三种面向任务的学习算法来提高算法的可扩展性,实现对无线联邦学习的计算高效资源分配。
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
随着越来越多的物联网设备在现场部署,将神经网络的训练卸载到中央服务器变得越来越不可行,本文调查了联合学习在克服异构性挑战方面的应用和益处。
Jul, 2023
该研究论文展望了联邦学习的发展,并阐述了五个与算法基础、个性化、硬件和安全限制、终身学习以及非标准化数据相关的方向。该研究可为边缘设备的大规模联邦系统提供实用观察。
Feb, 2022