Jul, 2022

边缘隐私保护移动计算网络中的无监督循环联邦学习用于人气预测

PDF
TL;DR文章提出了一种无监督的隐私保护的流行度预测框架，涵盖了无线通信，移动边缘计算，工业物联网等内容，并介绍了本地和全局流行度的概念和每个用户的时间变化流行度建模方法。通过提出的 URFL 算法，使得预测精度显著提高了。
发现论文，激发创造
  • 基于分布式强化学习的保护隐私的动态边缘缓存

    本文提出了一种隐私保护的分布式深度确定性策略梯度算法，通过分布式强化学习解决内容流行度的动态、复杂和不可观测性所带来的缓存优化问题，在保护用户隐私的情况下提高 MEC 网络中设备的缓存命中率。

    Oct, 2021

  • 基于聚类联邦学习的雾计算无线接入网络内容流行度预测

    本研究探讨了雾计算无线接入网络（F-RANs）中的内容流行度预测问题。通过聚类联合学习，提出了一种新的移动性感知流行度预测策略，该策略集成了针对本地用户和移动用户的内容流行度。借助双通道神经网络模型，结合本地用户和内容的隐藏特征，实现了对本地用户内容流行度的预测。同时借助用户偏好学习方法实现了对移动用户内容流行度的预测。通过聚类联合学习，提高了内容流行度预测性能。

    Jun, 2022

  • 智能移动健康系统的隐私保护边缘联邦学习

    我们提出一种在物联网基础设施上，针对资源受限的移动健康和可穿戴技术的隐私保护边缘联邦学习框架，并通过在 Amazon 的 AWS 云平台上使用可穿戴技术监测癫痫的发作检测应用的实施评估了我们提议的框架。

    May, 2024

  • 移动边缘计算系统中基于可靠性不敏感客户端的联邦学习加速

    本文设计了一种称为 HybridFL 的多层联邦学习协议，该协议结合了边缘节点和云端两层不同的模型聚合策略，并使用概率方法在不确定的末端设备状态下通过区域弹性因子来选择客户端，实验证明了该协议在不同规模的 MEC 系统中显著提高了 FL 训练过程的效率，缩短了联邦轮次长度，加速了全局模型的收敛速度（最多快 12 倍），并降低了末端设备的能耗（最多降低 58%）。

    Jul, 2020

  • 移动边缘网络中的联邦学习：一项全面调查

    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

  • 基于弹性联合多智能体深度强化学习的下一代网络中的协作边缘缓存

    提出一种基于弹性联邦和多代理深度强化学习的合作边缘缓存方案，通过训练个性化的本地模型、预测流行内容以及协作缓存，优化网络中的成本。实验结果表明，该方案优于现有基线缓存方案。

    Jan, 2024

  • 大规模移动边缘计算网络上的分层个性化联邦学习

    该研究提出了层次化的个性化联邦学习算法（HPFL），将用户设备（UEs）分层聚类，从而解决移动边缘计算（MEC）网络中的异构性问题，并在全局模型与边缘模型聚合之间寻求轮数损失最小化和轮延迟最小化之间的权衡。

    Mar, 2023

  • 移动网络可信联邦学习

    本文介绍了一种基于区块链的可信边缘学习方法，通过引入信誉度指标并利用联盟区块链实现可信度管理，提高了移动网络下的联邦学习任务的可靠性。

    Oct, 2019

  • 边缘计算中联邦学习与区块链的结合：机遇与挑战

    本文评估了 FLchain 在 MEC 网络中的机会，提出了几个主要问题，包括通信成本、资源配置、激励机制、安全和隐私保护。 我们介绍了 FLchain 设计的关键解决方案，并探讨了在流行的 MEC 领域中应用 FLchain 的应用。 同时，本文也指出了重要的研究挑战和未来方向。

    Apr, 2021

  • 使用联邦学习和乐观 Rollups 的服务质量合规系统

    提出了一种基于边缘计算场景的去中心化区块链联邦学习（FL）结构，利用区块链提高 FL 结构的安全性，并应用区块链创建 FL 的奖励机制以实现训练者的激励策略。

    Nov, 2023