泛在计算中的联邦学习和灾难性遗忘：HAR 领域的实证研究

MMJul, 2022

Federated Learning and catastrophic forgetting in pervasive computing: demonstration in HAR domain

Anastasiia Usmanova, François Portet, Philippe Lalanda, German Vega

TL;DR该研究论文旨在针对智能手机上的移动人类活动识别场景，演示联邦学习范式带来的问题，如数据储存容量限制、移动计算和灾难性遗忘等。

Abstract

federated learning has been introduced as a new machine learning paradigm enhancing the use of local devices. At a server level, FL regula

发现论文，激发创造

本文提出了一种基于蒸馏的联邦继续学习方法，通过使用定期收集的客户端数据逐步适应接收到的模型，以减少存储数据的量，避免灾难性遗忘问题，并在人类活动识别领域进行了评估。

Jul, 2022

本篇论文提出了一种基于蒸馏的方法，用于解决联邦学习场景中的灾难性遗忘问题，以人类活动识别任务作为演示领域。

Sep, 2021

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

提出一种用于改善全球人类活动识别模型的轻量级机器遗忘方法，通过选择性删除客户端的部分训练数据，并使用 KL 散度作为微调的损失函数，以使预测的概率分布与第三方数据集相一致。

Jan, 2024

本文探讨了如何应对异构设备和用户的挑战，提出了一种新型的聚合算法 FedDist，该算法能够考虑到客户端的差异性而不影响泛化能力，并在人类活动识别普适领域上通过对比测试发现其表现更好。

Oct, 2021

研究探索了联邦学习中遗忘现象对算法收敛的影响，引入了度量遗忘程度的指标，并提出了一种动态蒸馏方法的联邦学习算法 Flashback，以提高模型聚合的效果和减少遗忘现象，实现更快的收敛速度和准确性。

Feb, 2024

本文提出了一个基于泛化模型的联邦分类增量学习框架，可以在没有直接访问过去数据的情况下通过合成先前分布的样本，来减少来自各个用户的对策略的类别过程。

Jul, 2023

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

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

本文提出了一种面向联邦类增量学习的框架，利用生成模型从过去的分布中合成样本，以减轻深度学习模型在训练新数据时遗忘以前学到的信息的问题，同时解决了隐私和资源限制等联邦学习的独特复杂性，通过在多个数据集上进行广泛实验，相较于现有基准算法，我们展示了显著的改进。

Nov, 2023