May, 2022

跨城市联邦迁移学习框架：以城市区域描述为例的案例研究

PDF
TL;DR提出一种新的跨城联邦迁移学习框架 (CcFTL) 来解决数据不足和隐私问题，将多个数据丰富的城市的关系知识传递到目标城市，并针对目标任务在源数据上训练模型参数，然后进行参数传递，通过联邦训练和同态加密设置，CcFTL 能够有效地处理城市之间的数据隐私问题，并将该方法应用于智慧城市的城市区域配置，实验结果表明，CcFTL 方法优于多种最先进的竞争方法。
发现论文，激发创造
  • 安全联邦迁移学习

    本文介绍了一种新的技术和框架，称为联邦迁移学习（FTL），它可以在数据联邦下提高统计模型的性能。该联邦允许共享知识而不会危及用户隐私，并可在网络中传输补充知识，从而使目标域方能够利用源域方的丰富标签构建更加灵活和强大的模型。同时，为了在联邦下保护 FTL 的性能，还提出了一种安全的跨验证方法。该框架需要对现有模型结构进行最小的修改，并提供与非隐私保护方法同样水平的准确性。该框架非常灵活，可有效适应各种安全多方机器学习任务。

    Dec, 2018

  • 跨城市深度时空预测的迁移学习

    该研究提出了一种名为 RegionTrans 的跨城市转移学习方法，旨在解决城市计算中深度时空预测任务中数据匮乏的问题，并在人群流量预测实验中验证其有效性。

    Feb, 2018

  • 跨城市知识迁移的时空图少样本学习

    针对数据稀缺的城市，在跨城市知识转移的基础上，提出了一个面向时空图的模型不可知少样本学习框架 ST-GFSL，用于从城市之间不规则的时空相似性中提高特征提取的质量，重构图结构以实现结构感知学习并提高交通速度预测的准确性。

    May, 2022

  • 联邦迁移学习综述：挑战、方法与应用

    联邦学习（FL）是一种新颖的分布式机器学习范式，通过消除数据共享要求，使参与者能够协同训练中央模型并保护隐私。联邦学习涉及多个参与者，并要求第三方汇总全局信息以指导目标参与者的更新。为解决此问题，联邦迁移学习（FTL）吸引了众多研究者的关注。本综述聚焦于对当前联邦迁移学习进展的分类和综述，并概述相关解决方案和应用。

    Mar, 2024

  • 基于互信息的迁移学习交通预测方法

    TrafficTL 是一种跨城市交通预测方法，使用其他城市的大数据来辅助缺乏数据的城市做出更准确的预测，并利用深度学习的 Spatio-temporal 模型来提高预测精度。在三个真实数据集上的综合案例研究表明，TrafficTL 比最先进的基线模型提高了约 8-25% 的预测精度。

    Mar, 2023

  • 通过联合迁移学习使基础模型根植于实际：一个通用框架

    使用联邦迁移学习来接地基础模型是当前学术界和工业界重要的研究方向，该研究论文介绍了一个联邦迁移学习框架，对最新的研究工作进行了详细分类和综述，提供了高效和隐私保护技术，并探讨了联邦迁移学习未来的机会和研究方向。

    Nov, 2023

  • 增量迁移学习综述：将点对点联邦学习与领域增量学习结合以实现多中心协作

    由于数据隐私限制，多个临床中心之间的数据共享受限制，这阻碍了通过多中心合作开发高性能深度学习模型的进展。本文通过使用持续学习技术，将点对点联邦学习和领域增量学习相结合，进行增量迁移学习，以克服数据隐私问题并同时保持模型性能。进行了一项针对多中心合作的不同基于正则化的持续学习方法效果的全面调查，对数据异质性、分类器设置、网络优化器、模型初始化、中心顺序和权重传递类型的影响进行了彻底研究。我们的框架对研究社区是公开可访问的，以进行进一步的开发。

    Sep, 2023

  • 均衡取舍：工业物联网网络入侵检测的联邦迁移学习

    本研究提出了一种联邦迁移学习（FTL）方法来进行工业物联网网络入侵检测，并且通过使用组合神经网络作为 FTL 的核心来提高整体性能。

    Oct, 2023

  • 不分享的关爱：一种联邦学习众感知框架，用于增加城市代表性的多样性

    通过移动众包感知，提出一种隐私保护的协作学习框架，可用于推广以改善社会各个方面的服务，案例研究展示了该框架的功能，包括使用视觉算法来改善视障人士的导航。

    Jan, 2022

  • 基于多视角知识融合的异构联邦学习中的交叉训练

    通过整合多视角信息，将个性化和全局知识相结合的联邦学习方法 FedCT 具有优于最先进方法的效果，并能减轻模型对本地和全局视图的知识遗忘问题。

    May, 2024