联邦网络系统中的概念漂移检测
本文研究了分布式概念漂移下的联邦学习,提出了两种新的聚类算法以适应数据异质性和时间变化的漂移,并且通过实验验证表明它们的准确性显著优于现有的基线算法,接近理想算法。
Jun, 2022
本篇论文探讨了机器学习在 5G 边缘计算中的应用,阐述了不断训练模型以适应变化场景的必要性,并提出了使用注意力机制的联邦学习模式是有效处理数据分布的方法。
Nov, 2021
FLARE 是一种新颖的轻量级双调度器 FL 框架,可根据观察模型的训练行为和推理统计数据,在边缘和传感器节点之间有条件地传输训练数据和部署模型,从而同时减少通信流量并保持推理模型的完整性,并能成功地反应性地检测概念漂移,至少减少 16 倍的延迟。
May, 2023
通过采用多模型方法,局部组特定漂移检测机制和随时间连续聚类模型的途径,我们的研究旨在解决机器学习中的公平性问题,特别关注组特定漂移和其分布式对应问题。
Feb, 2024
本文提出一种多尺度算法框架,该框架结合了 FedAvg 和 FedOMD 算法在接近静态场景下的理论保证,同时采用非静态检测和自适应技术以改善 FL 泛化性能,并给出了多尺度算法框架,在具有广义凸损失函数的情况下,每 T 个回合导致动态后悔的上限为 Tilde {O}(min {sqrt {LT},Delta^{1/3} T^{2/3} + sqrt {T}})
Nov, 2022
本文针对数据流中的概念漂移进行了相关研究,分析法检测,理解和适应等漂移技术的发展趋势,并建立了一个包含三个主要组件的漂移学习框架:概念漂移检测,概念漂移理解和概念漂移适应。同时,本文还列举和讨论了 10 个流行的合成数据集和 14 个公共基准数据集,以评估处理概念漂移的学习算法的性能,涵盖和讨论了概念漂移相关的研究方向。通过提供最新的知识,本综述将直接支持研究人员对概念漂移学习领域的研究发展的理解。
Apr, 2020
本文提出一种边缘 AI 系统中的概念漂移检测方法,通过序列计算实现神经网络的重新训练和检测概念漂移,降低计算和内存使用,实现在 Raspberry Pi Pico 等资源受限的设备上的应用。
Dec, 2022
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
人工智能的实际应用越来越经常需要处理实际数据的流式特性,考虑到时间因素,这些数据可能会受到周期性和更或多或少混乱的退化现象的影响,从而直接导致概念漂移。本研究提出了一种无监督的并行激活漂移检测器,利用未经训练的神经网络的输出,介绍了其关键设计要素、有关处理属性的直觉以及一系列计算机实验,证明了该方法与现有最先进方法的竞争力。
Apr, 2024