Oct, 2020

盲联邦边缘学习

PDF
TL;DR本文研究边缘设备协作学习中的无线联邦学习，其中利用无线接入点作为参数服务器，使用 “over-the-air” 聚合方案实现全局模型的积极性和设备间的协作，通过使用接收波束成形方案来补偿缺乏完美信道状态信息带来的破坏效应，证明该算法在具有足够天线数量的情况下可以改善其性能。
federated learningedge deviceswireless access pointover-the-air aggregationchannel state information
发现论文，激发创造
  • 基于一比特信令的无线网络聚合通信的边缘计算联邦学习算法：设计与收敛分析

    本文提出了一种数字宽带聚合方案，称为单比特数字宽带聚合（OBDA），用以解决多设备使用同一通信媒介所带来的通信瓶颈问题，并对其在无线信道干扰下的收敛速率进行综合分析。

    Jan, 2020

  • 低延迟联邦边缘学习的宽带模拟聚合（扩展版）

    该论文提出了一种低延迟多接入方案，利用模拟聚合和多接入通道的叠加特性，实现了快速聚合模型的更新并使边缘学习具有更好的性能表现和低延迟。

    Dec, 2018

  • 使用下行设备选择的联邦学习

    本文研究联邦边缘学习在无线网络边缘使用隐私数据协作训练全局模型，通过数字下行传输，设计了一个部分设备参与的框架和设备选择方法，实验结果表明最佳参与设备数量取决于统计偏差的 MNIST 数据集。

    Jul, 2021

  • 无线边缘协作机器学习

    研究了一种无线协作机器学习的方法，其中移动边缘设备通过带有参数服务器的无线接入点进行分布式随机梯度下降算法。提出使用模拟 DSGD 方案，利用无码方式在无线信道上传输梯度估计；通过使用多个天线来减轻破坏性的信道衰落效应，缓解了信道状态信息不足的问题，并实现了模型参数的更新。理论分析和实验结果均表明，多个 PS 天线可以缓解衰落效应。

    Jul, 2019

  • 面向无线联邦边缘学习的优化功率控制设计

    研究了 Air-FEEL 系统中的传输功率控制，通过最大化收敛速度的方法优化功率控制策略，并使用拉格朗日对偶方法得到了优化解，结果表明该策略比传统策略实现了更快的收敛速度。

    Jun, 2021

  • 通过无线信道进行的 q-QAM 盲联合学习

    在这项研究中，我们针对多路径 fading 信道进行了联合边缘学习的研究，通过引入一种创新的数字过空中计算策略，采用 q 进制正交幅度调制，提出了一种低时延通信方案。我们分析了消除无线通信中的 fading 所需的天线数量，并通过数值实验证实了理论的保证，证明了边缘服务器增加天线数量和采用高阶调制可以提高模型准确性达到 60％。

    Nov, 2023

  • 跨異質蜂巢網絡的階層式聯邦學習

    研究使用梯度稀疏化和周期性平均的分层联邦学习框架，来在异构蜂窝网络中实现协作机器学习任务。结果表明，该方案可以显着降低通信延迟且不会减少模型精度。

    Sep, 2019

  • 嘈杂下行联邦学习的收敛性

    本文研究了联合学习中带宽受限的广播通道对性能的影响，提出了数字和模拟两种下行传输方法，并证明了模拟方法的收敛性更好，尤其在数据分布不均和设备能够更好地估计全局模型时性能更优。

    Aug, 2020

  • 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

  • 异质联合边缘学习的快速收敛：自适应协作信令辅助数据组播方法

    基于群集数据共享的联邦边缘学习 (FEEL) 是为 6G 超连接而出现的分布式机器学习范式，通过保护数据隐私，利用物联网设备的数据。为了解决 FEEL 中的统计不平衡问题，我们引入了一个集群数据共享框架，通过辅助多播来选择性地从集群头部共享部分数据给可信合作伙伴，以缓解数据异质性。所提出的框架在有限的通信环境中，能够在非独立和非齐分布的数据集上实现更快的收敛速度和更高的模型准确性。

    Jun, 2024