Feb, 2023

通过间接的服务器 - 客户端通信实现联邦学习

PDF
TL;DR本文提出了一种基于移动传输器的联邦学习框架 FedEx (FL via Model Express Delivery)，旨在解决缺乏适当通信基础设施的实际应用中数据共享的问题。FedEx-Sync 和 FedEx-Async 两种算法分别采用同步和异步调度策略，并通过收敛性分析指导客户端分配和传输路线设计。在两个公共数据集的模拟网络上，我们通过实验证明了 FedEx 的性能。
federated learningflprivacy-preservingindirect communicationmobile transporters
发现论文，激发创造
  • 联邦学习间接通信中的客户端分配和无人机路径规划

    提出了一种名为 FedEx 的框架，该框架使用移动运输工具（如无人机）来建立服务器和客户端之间的间接通信通道，实现了联邦学习的远程访问，并提出了两种算法 FedEx-Sync 和 FedEx-Async，以解决运输工具级别上的同步和异步学习，以及双层优化算法，以解决客户分配和路径规划问题。制定实验验证 FedEx 的一致结果证明其有效性。

    Apr, 2023

  • 异步多服务器联邦学习用于地理分布式客户端

    提出了一种全新的异步架构的多服务器联邦学习系统，解决了同步通信导致的服务器空闲时间和单服务器成为瓶颈的问题，与之前的基线方法相比，收敛速度更快且在地理分布环境中所需时间减少了 61%。

    Jun, 2024

  • 探索联邦学习的实用性：从通信的角度进行调查

    调查分析了通信高效的联合学习方法，定义了通信效率的度量方法并提供了系统全面的分类和评述，讨论了提高联合学习系统通信效率的未来研究方向。

    May, 2024

  • 基于最优客户端采样的通信高效联邦学习

    本文提出了一种基于 Ornstein-Uhlenbeck 过程的方案，在受通信限制的情况下，通过收集具有信息更新的客户端模型和估计没有通信的本地更新的方式来更新中央模型，实现了在保证性能的同时显著减少了通信量，为联邦学习提供了一种新的通信效率优化方案。

    Jul, 2020

  • 联邦学习的进展：模型、方法和隐私

    本文详细阐述了联邦学习的体系结构、应用问题、算法设计原则和安全问题，提出了一种更加通用的算法设计框架、攻击场景和防御方法，致力于将联邦学习与真实世界应用相集成并实现高性能、隐私保护和安全性。

    Feb, 2023

  • 混合联邦与集中式学习

    提出一种混合联邦和集中式学习（HFCL）框架，采用先进的数据传输方法并在计算资源不足时使用集中式学习方法，以有效地训练学习模型，并在所有客户端合作的同时提高学习准确度。

    Nov, 2020

  • 移动性提高异步联邦学习的收敛性

    本文探讨了异步联邦学习中客户端个体任意通信模式对参数服务器的影响。我们提出了 FedMobile，这是一种利用移动联邦系统的便利性来提高学习性能的新型异步 FL 算法，并且验证了我们的理论发现。

    Jun, 2022

  • 异步无线联邦学习与概率客户端选择

    通过联邦学习解决异步模式下的执行阻塞问题，提出利用概率选择客户端和带宽分配来优化异步联邦学习的收敛速度和移动能源消耗的问题，并通过实验验证了该方法的优越性。

    Nov, 2023

  • 联邦与集中式学习的混合架构

    本文提出了一种更高效的混合联邦与集中学习（HFCL）方法来解决客户端计算资源不足的情况，该方法可以将数据集分别发送给有足够计算资源的客户端和参数服务器，从而在减少通信开销和提高学习准确率方面都具有更好的性能表现。

    May, 2021

  • FedMFS：选择性模态通信的联邦多模融合学习

    本文提出了一种新的多模态融合联邦学习方法 (FedMFS)，通过利用 Shapley 值来量化每个模态的贡献和模态模型的大小来衡量通信开销，从而实现在性能与通信成本之间的灵活平衡，该方法在现实多模态数据集上的实验证明了其有效性，相比基线方法，减少了 1/20 的通信开销，同时达到可比的准确性。

    Oct, 2023