通过提出的机器学习模型联邦学习(FL),本文讨论了机器学习在无线通信中的重要性,并强调 FL 在未来移动网络中,尤其是 6G 及以上的关键作用。
Aug, 2023
本文研究车联网应用中的联邦学习与集中式学习的可行性,探讨了基于图像数据集的目标检测,分析了数据标注、模型训练的挑战,以及数据速率、可靠性、隐私和资源管理等通信方面的问题,并为联邦学习在车联网领域中的未来研究方向提供了展望。
Jun, 2020
提出一种混合联邦和集中式学习(HFCL)框架,采用先进的数据传输方法并在计算资源不足时使用集中式学习方法,以有效地训练学习模型,并在所有客户端合作的同时提高学习准确度。
Nov, 2020
本文提出了一种更高效的混合联邦与集中学习(HFCL)方法来解决客户端计算资源不足的情况,该方法可以将数据集分别发送给有足够计算资源的客户端和参数服务器,从而在减少通信开销和提高学习准确率方面都具有更好的性能表现。
May, 2021
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。
Oct, 2023
通过提出一种半联合学习(SemiFL)范式,将基站(BS)和设备的计算能力结合起来,实现集中式学习(CL)和联邦学习(FL)的混合实施。通过设计一种新颖的收发器结构,将空中计算和非正交多址接入应用于聚合和传输,提高了通信效率,并证明了 FL 和 CL 是 SemiFL 的特例。然后,通过联合优化发送功率和接收波束形成器来减小最优性差距,并提供了解析解。两个真实数据集上的广泛模拟实验结果证实了我们的理论分析,并显示相比于最先进的基准,所提出的 SemiFL 在 MNIST 数据集上取得了 3.2% 的准确度提高。
本文介绍了联邦学习技术与移动边缘计算的应用,讨论了在大规模和复杂的移动边缘网络中实现联邦学习所面临的挑战以及现有解决方案,探讨了联邦学习在移动边缘网络优化中的应用,以及未来的研究方向与挑战,包括保护隐私与安全。
Sep, 2019
去中心化联邦学习解决方案的综述,包括现有的方法和未来的研究方向。
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。
通过将学习模型分为全局部分和个性化部分,以实现模型剪枝和个性化,本文提出了一种解决异构设备数据、计算和通信延迟以及非独立同分布数据的联邦学习框架,并通过数学分析研究了其收敛性、计算和通信延迟,并最终通过优化问题得到了剪枝比例和无线资源分配的闭式解。实验结果表明,相比只进行模型个性化的方案,该框架能够显著减少约 50%的计算和通信延迟。
Sep, 2023