Dec, 2020
不可靠和资源受限的蜂窝无线网络中的联邦学习
Federated Learning in Unreliable and Resource-Constrained Cellular Wireless Networks
Mohammad Salehi, Ekram Hossain
TL;DR本文提出一种适用于蜂窝无线网络的联合学习算法,证明了其收敛性,并提供了最优调度策略,同时研究了局部计算步骤和通信步骤对算法收敛的影响。
Abstract
With growth in the number of smart devices and advancements in their
hardware, in recent years, data-driven machine learning techniques have drawn
significant attention. However, due to privacy and →
发现论文,激发创造
无线网络上的联邦学习:收敛分析和资源分配
提出了一种处理异构用户设备数据的联邦学习算法,同时结合对微波资源分配问题的优化,实现了收敛速率和能耗之间的平衡,并用 Tensorflow 实验验证了该算法的理论分析和优化表现。
Oct, 2019
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
带异构标签和模型的资源受限联邦学习
本文提出了一个应对标签异质性的框架,该框架通过简单的 α 加权联邦聚合计算分数获得了最多 16.7% 的平均确定性准确性提高,并在树莓派 2 上进行了实验以演示其设备内功能。
Nov, 2020
具有类别不平衡减少的联邦学习
用于解决联邦学习中数据隐私问题导致的设备端数据无法被中心服务器使用的问题,本文提出了一种基于估计方案的设备选择算法,以最小化类别不平衡来提高联邦学习全局模型的收敛性能。
Nov, 2020