Aug, 2022

DRAGON: 边缘联盟中的分布式容错

PDF
TL;DR提出了基于生成优化网络（GON）的内存高效的深度学习模型，以及一个名为 DRAGON 的去中心化容错方法，用于优化边缘联合性能，实验结果显示，该方法在故障检测和服务质量方面优于基准方法，能够将能量消耗、响应时间和服务水平协议的违规率提高高达 74％、63％和 82％。
edge federationgenerative optimization networksdragonfault-tolerancequality of service
发现论文，激发创造
  • DRACO: 分布式异步连续行随机网络矩阵上的联邦学习

    通过提出 DRACO 方法，利用连续通信在分布式网络中实现去中心化异步随机梯度下降，解决了分布式学习中的稳定收敛和通信计算耦合等问题，并通过收敛分析和数值实验验证了其有效性。

    Jun, 2024

  • 移动边缘网络中绿色联邦生成扩散的按需量化

    提出了基于需求量化的移动边缘网络中的按需量化能效联合扩散方法，能够显著降低系统能耗和传输模型大小，同时有效地保持生成数据的合理质量和多样性。

    Mar, 2024

  • 深雾守护者：从边缘到云端的抗故障深度神经网络推断

    通过引入深度模型增强方案 deepFogGuard，我们提出了一个用于防止分布式深度神经网络 (DDN) 推理任务失败的模型，该模型使用分配的跳过超链接作为设计基础，并使用两个真实数据集进行了 extensive 的实验证明。

    Sep, 2019

  • 资源受限边缘计算系统中的自适应联邦学习

    本文主要研究在边缘计算环境中使用分布式梯度下降学习模型参数的问题，提出控制算法以最小化给定资源预算下的损失函数，并通过真实数据集的大量实验评估算法性能。

    Apr, 2018

  • 数字孪生赋能 6G 网络：边缘关联的低延迟联邦学习与区块链

    本文介绍了数字孪生无线网络（DTWN），并在其中运行了一种基于区块链的联邦学习框架，以协作式计算提高系统的可靠性和安全性并提高数据隐私，并通过多智能体强化学习找到了最优解。

    Nov, 2020

  • F-RAN 中的计算卸载和资源分配：一种联邦深度强化学习方法

    本文提出了一种基于联邦深度强化学习的算法，用于解决在 F-RAN 中动态计算卸载和资源分配问题，通过联邦学习，可以在保护用户隐私的同时，降低训练过程的计算复杂度，结果表明，该算法相对于其他现有策略，可以更快地实现更低的任务执行延迟和设备端能耗。

    Jun, 2022

  • 边缘资源受限环境下通过分散数据集精髓进行联邦学习

    介绍了一种新的联邦学习框架 FedD3，它通过利用本地数据集蒸馏来代替传统的学习方法显著减少通信量，仅在网络上集成分散的蒸馏数据集一次以形成最终模型，取得了比其他联邦学习框架显著的交流效益和平衡精度和通信成本之间的权衡的额外利益。

    Aug, 2022

  • 在无线联合边缘学习系统中加速 DNN 训练

    研究节约时间、资源、保隐私的联邦边缘学习架构系统，通过 CPU 和 GPU 场景的联合批大小选取和通信资源分配，来缩短训练时间并提高训练准确性。

    May, 2019

  • 面向任务的边缘网络：无线前传的分散学习

    这篇论文研究了任务导向的边缘网络，其中多个边缘物联网节点通过网络云中的强大深度神经网络（DNNs）执行机器学习任务。

    Dec, 2023

  • 边缘端的 GNN：在分布式边缘服务器上实现成本有效的图神经网络处理

    本文系统研究了多层异构边缘网络上的分布式图神经网络处理的成本优化，发现图神经网络的独特计算模式含有二次次模性质，在此基础上设计了基于图切割的迭代解法，并通过实验评估证明了其在成本降低、收敛速度等方面均具有优异性能。

    Oct, 2022