Mar, 2023

基于区域的移动感知数据联合学习

PDF
TL;DR该论文提出了一种基于区域的联邦学习系统（ZoneFL），旨在通过将地理空间划分为区域并针对用户数据和行为适应区域模型，同时保护用户数据隐私。该论文提出了两个新的区域级联训练算法（ZMS 和 ZGD），并证明了使用 ZoneFL 进行心率预测和人类活动识别可以获得更好的性能。
mobile sensingdeep learningzone-based federated learningdata privacyuser mobility behavior
发现论文，激发创造
  • 基于移动感知的增量半监督联邦学习进行健康推测

    移动感知技术结合联邦学习能在保护用户隐私的同时，有效识别类似流感症状，并通过增量半监督联邦学习算法在分散的在线环境中训练模型，取得最佳结果。

    Dec, 2023

  • 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

  • 跨多设备联邦学习的 FLAME 算法

    该文章提出了一种称为 FLAME 的新型 FL 训练方法，通过用户中心的训练、准确性和效率地设备选择以及模型个性化，克服了多设备环境中的统计和系统的异质性，并在人体活动识别中表现出更好的性能和效率。

    Feb, 2022

  • 面向时空移动应用的联邦学习模型调查

    本文综述了现有文献中所提出的基于联邦学习的预测人类移动性、交通预测、社区探测、基于位置的推荐系统和其他时空任务的模型，阐述了这些模型所使用的指标和数据集，并与中心化模型进行比较。最后，讨论了在分散式学习中应用时空模型所面临的挑战，并提出了未来研究的机会和方向。

    May, 2023

  • 边缘感知设备上的联邦学习：综述

    通过对边缘传感设备的视角，本文回顾了联邦学习策略，探讨了关键联邦学习原理、软件框架和测试平台，并且研究了联邦学习在当前传感技术、传感设备性能和传感应用上的应用，最后讨论了未来研究方向。

    Nov, 2023

  • 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

  • 针对低延迟联邦学习的移动感知联合用户调度和资源分配

    联邦学习是一种高效的分布式机器学习方法，通过用户端的迭代本地模型训练和中央服务器端的全局模型聚合，保护用户的隐私。然而，现有的工作只研究了静态场景或用户位置的随机初始化，未能捕捉到真实网络中的用户移动。为了解决这个问题，在联邦学习中引入了用户的移动模型，并开发了一种用户调度和资源分配方法，以减小由于通信资源有限而带来的训练延迟。模拟结果表明，所提出的算法相比最先进的基线算法具有更好的性能，一定程度的用户移动可以提高训练性能。

    Jul, 2023

  • 面向边缘计算的个性化深度神经网络联合学习

    该研究提出了一种多任务联邦学习算法，通过添加非联邦批归一化层来允许用户训练个性化的模型，该算法支持联邦优化策略并在实验中表现出更快的收敛速度和更好的个性化精度。

    Jul, 2020

  • 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

  • 智能多租户联邦学习

    提出了一个名为 MuFL 的智能的多租户联邦学习系统，来优化多个设备上的同时训练活动，通过合并和拆分活动来提高效率并且在比较中，该系统较其他方法少消耗了 40% 的能量。

    Jul, 2022