大规模移动边缘计算网络上的分层个性化联邦学习
本文在无线网络中为分层式联邦学习引入了模型剪枝技术,通过联合优化剪枝比例和无线资源分配,旨在最大化模型收敛速度以达到给定延迟阈值,并通过解耦优化问题和使用 KKT 条件得出了剪枝比例和无线资源分配的闭式解,并通过模拟结果展示了模型剪枝在 HFL 中实现了减少了约 50%的通信成本而实现了相似的学习准确率。
May, 2023
本文介绍了一个名为 pFedBreD 的基于贝叶斯学习方法的个性化联合学习框架,该框架针对异构数据问题进行建模,并应用 Bregman 散度约束来解决该问题。实验结果表明,在高斯先验和均值选择的一阶策略的前提下,pFedBreD 显著优于其他个性化联合学习算法。
Nov, 2022
MuPFL 是一种创新的个性化联邦学习框架,通过多层次结构完全利用不同层次的计算资源,解决数据异质性对模型偏差的影响,缓解过拟合、加速训练,提高分类准确性,并在非独立同分布和长尾条件下取得显著的有效性和效率方面的进展。
May, 2024
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
本文提出了一种名为 PeFLL 的个性化联邦学习方法,通过联合训练嵌入网络和超级网络来输出特定客户端的模型,并证明了其较以往方法在精度和规模等方面都更具优势,还提供了一种新的理论结果以支持该方法的可行性。
Jun, 2023
本文提出了一种名为 SemiPFL 的方案,支持边缘用户在服务器上协作训练超网络,为每个用户生成个性化自动编码器,并在收到来自边缘用户的更新后,基于他们自己的标记数据集,本地汇聚生成一组用户的基础模型,并且这个解决方案在处理数据异质性和有限注释方面具有很好的效果,并在处理用户硬件资源异构性的三个实时场景中展示了 SemiPFL 的稳定性。
Mar, 2022
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