Sep, 2020

基于粒子群优化的行业物联网和智慧城市服务联邦学习

PDF
TL;DR本文提出了一种基于粒子群优化（PSO）技术来优化本地机器学习模型超参数设置的 FL 环境的方法，结果表明与基于网格搜寻方法相比，PSO 提供了深度 LSTM 模型调优的高效方法。
federated learningparticle swarm optimizationmachine learning modelssmart city servicesindustrial iot
发现论文，激发创造
  • 物联网联邦学习的高效自适应联邦优化

    该论文提出了一种新的联邦学习算法（EAFO），通过联合考虑本地更新和参数压缩两个变量并使 FL 能够自适应调整这两个变量来提高其效率，以最小化学习误差，并实现计算，通信和精度之间的权衡，实验结果证明，与现有算法相比，EAFO 算法能够更快地实现更高的准确性。

    Jun, 2022

  • Swarm Learning：概念、应用与趋势综述

    Swarm Learning is a decentralized machine learning framework that leverages blockchain technology to address privacy and security concerns in deep learning models by reducing central dependency, increasing scalability, and enabling secure and private data management.

    May, 2024

  • 合作设备的联邦学习：大规模物联网网络的共识方法

    这篇论文介绍了一种完全分布式的联邦学习算法，该算法的优点在于避免了数据披露并具有扩展性商用前景，可以在包括物联网设备在内的网络中使用。

    Dec, 2019

  • 评估和优化物联网分布式机器学习技术

    该论文在实际物联网设置中比较了联邦学习、分裂学习和分裂联邦学习的性能，并提出了一种广义分裂联邦学习模型来进一步优化在大规模 IoT 设备上的系统表现，同时还提出实用技巧来大幅减少通信开销。

    Mar, 2021

  • 资源受限 IoT 设备的联邦学习：全景和现状

    提出了一种叫做联邦学习的分散式学习结构，该结构可以在物联网设备中实现机器学习，通过处理来自不同客户端的数据，以预测未来事件。此方法可解决传统机器学习中遇到的通信开销、隐私泄露和安全性等问题，同时也避免了中央服务器的使用。本文讨论了在客户端资源有限的情况下实施联邦学习的挑战和应用。

    Feb, 2020

  • 基于样本驱动的联邦学习用于能效高和实时物联网传感

    通过控制数据采样过程，我们可以减轻过拟合问题并提高整体准确性，从而为具有实时感知能力的联邦学习系统中的资源分配提供了有希望的解决方案。

    Oct, 2023

  • 天空联邦学习：使用 UAV 集群进行联合功率分配和调度

    本文提出了一种利用分布式联邦学习算法实现无人机群体中集中式机器学习的新框架并对其进行了收敛性分析，同时，提出了一种联合功率分配和调度设计来优化联邦学习的收敛速率，同时考虑了能量消耗和延迟要求。仿真结果验证了 FL 收敛分析的有效性，并表明联合设计策略可以将收敛所需通信轮数比基准设计减少 35％。

    Feb, 2020

  • 异构 6G 网络联邦学习的优化设计

    本文研究如何通过三个方面的优化措施 —— 激励机制设计、网络资源管理和个性化模型优化，有效解决分布式人工智能范例中面临的系统和统计异构挑战，从而实现对第六代网络中亿万智能物联网设备所产生数据的联合学习和隐私保护。

    Mar, 2023

  • 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

  • 工业物联网中基于组客户端选择的数据异构鲁棒联邦学习

    本文提出了一个基于云边端的联邦学习框架 FedGS，利用分层结构和梯度二元置换算法选择工厂内的子设备，构建同质化的超级节点参与联邦学习训练，采用复合步骤同步协议协调这些超级节点内部和之间的培训过程，以提高在非独立同分布数据上的工业联邦学习性能，实验表明，FedGS 相对于传统方法在提高准确性上有着更高的效率和效果，同时可以适应动态的环境，同时确保了数据的安全性。

    Feb, 2022