Nov, 2020

数字孪生赋能 6G 网络：边缘关联的低延迟联邦学习与区块链

PDF
TL;DR本文介绍了数字孪生无线网络（DTWN），并在其中运行了一种基于区块链的联邦学习框架，以协作式计算提高系统的可靠性和安全性并提高数据隐私，并通过多智能体强化学习找到了最优解。
发现论文，激发创造
  • 用于工业物联网的自适应联邦学习和数字孪生

    本研究提出了一种数字孪生的工业物联网新架构，通过可信的协作聚合机制，自适应地控制分布式学习频率并异步聚类，来提高学习性能，从而优化其工业 4.0 的应用效果。

    Oct, 2020

  • 边缘计算下的物联网联邦区块链学习

    本文提出了一个分布式联邦学习框架，使用区块链实现去中心化方案，将云端架构转移到边缘，实现 IoT 设备上的神经网络训练，解决医疗数据隐私和医疗设备缺乏数据的问题，同时实现网络模型的分布式训练。

    Apr, 2023

  • 未来产业中的工业物联网联邦学习

    此文总结讨论了联邦学习在工业物联网应用中的不同场景和可行性，并提出了需要进一步研究的问题和方向。

    May, 2021

  • 边缘网络联邦学习：资源优化和激励机制

    本文提出在网络边缘实现联合学习的设计方面，使用建模激励交互的方式来推动设备的参与，同时列举了几个未解决的研究挑战和未来研究方向。

    Nov, 2019

  • 分布式联邦学习：愿景、分类和未来方向

    本文提出一种基于去中心化的分布式联邦学习（DFL）概念，旨在实现 IoT 智能应用的隐私保护与训练效率。文章首先介绍了 DFL 的基础，其次提出了一个包含匹配理论解决方案的 DFL 框架，最后展望了未来研究方向。

    Aug, 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

  • 联邦学习与工业物联网的融合：一项综述

    本文概述了在工业物联网中整合联邦学习的隐私、资源和数据管理，并针对联邦学习技术在工业物联网中实现数据隐私保护、本地学习等方面的应用提出了挑战、可能的解决方案和未来研究方向。

    Jan, 2021

  • 基于无线设备间网络的联邦学习算法与收敛分析

    该研究探讨了基于设备对设备（D2D）网络的联邦学习，在分布式随机梯度下降算法实现中，利用随机线性编码和空中计算的数字和模拟传输方案进行通信效率的改进，并且在假设凸性和连通性的情况下提供了收敛性结果。

    Jan, 2021

  • 数字孪生 6G IoT 联邦边缘学习中的毒化攻击：预测性研究

    本文针对数字双胞胎 6G 启用的物联网环境中边缘学习的中毒攻击问题进行了预测研究，发现攻击者可以在集中式学习和联邦学习的两种学习设置中进行中毒攻击，并且成功的攻击严重降低了模型的准确性。

    Mar, 2023

  • 物联网联邦学习：最近进展、分类和开放挑战

    本文介绍了联邦学习在物联网应用中的先进发展，提出了一系列度量标准以进行严格评估，设计出了物联网网络上的联邦学习分类法，并提出了比联邦学习更好的隐私保护的分散联邦学习的两种用例，最后提出了一些开放性研究挑战和可能的解决方案。

    Sep, 2020