无线网络异常检测的容错分布式学习

Mar, 2023

无线网络异常检测的容错分布式学习

Failure-tolerant Distributed Learning for Anomaly Detection in Wireless Networks

Marc Katzef, Andrew C. Cullen, Tansu Alpcan, Christopher Leckie, Justin Kopacz

TL;DR本文提出了一种名为 'Tol-FL' 的新型方法，将平面拓扑和星形拓扑相结合，以提高分散式技术的鲁棒性，并在客户端和服务器故障等方面表现优异，是无线网络异常检测分布式模型训练的高度合适方法。

Abstract

The analysis of distributed techniques is often focused upon their efficiency, without considering their robustness (or lack thereof). Such a consideration is particularly important when devices or central servers can fail, which can potentially cripple distributed systems. When such f

distributed techniques failure-tolerance federated learning anomaly detection wireless networks

发现论文，激发创造

异构去中心化联邦学习下的拓扑学习及不可靠的 D2D 网络

在无线设备到设备（D2D）网络中，去中心化联邦学习（DFL）作为智能移动设备普及的产物引起了极大的兴趣。DFL 相对于集中式联邦学习（CFL）降低了由于通信瓶颈而导致的中央服务器故障的风险。然而，DFL 面临着许多挑战，如多样环境中数据分布的严重异质性，以及 D2D 网络中采用用户数据报协议（UDP）导致的传输中断和包错误等。为了解决这些挑战，我们对 DFL 进行了全面的理论收敛性分析，并推导出一个收敛限。在该收敛限中，我们定义了一种称为不可靠链路感知邻域差异的新颖量，并制定了一个可解的优化目标，开发了一种考虑 DFL 中表示差异和不可靠链路的拓扑学习方法，命名为 ToLRDUL。在特征偏斜和标签偏斜的情况下进行了大量实验验证了我们提出方法的有效性，实验结果与我们的理论发现相一致，显示出了提高收敛速度和测试精度。

Dec, 2023

在车辆网络中使用动态客户端选择和异常检测的安全分层联邦学习

在车辆网络中，针对威胁到模型完整性的敌对或不可靠车辆的显著挑战，我们的研究引入了一种集成动态车辆选择和强健异常检测机制的新框架，旨在优化参与者选择并减轻恶意贡献相关风险。

May, 2024

简洁易行：不可靠客户端下联邦学习的容错性评估

本文通过对两个实际分类问题的研究，发现在存在一些不可靠设备的情况下，分布式学习算法可以有出乎意料的良好表现。

May, 2023

基于无线设备间网络的联邦学习算法与收敛分析

该研究探讨了基于设备对设备（D2D）网络的联邦学习，在分布式随机梯度下降算法实现中，利用随机线性编码和空中计算的数字和模拟传输方案进行通信效率的改进，并且在假设凸性和连通性的情况下提供了收敛性结果。

Jan, 2021

基于不确定性客户聚类的联邦学习用于整车故障诊断

本文提出了一种基于聚类的联邦学习算法，通过相对预测准确性和不确定性来对客户端进行聚类，解决了联邦策略优化和客户端数据异构性等问题，适用于安全关键系统的故障诊断。

Apr, 2023

风险感知的异构客户加速无线联邦学习

本文提出了一种考虑到客户端数据数量、传输速率、传输错误和可信度的风险感知加速联邦学习框架，通过根据客户端的位置相关性能和可信度进行分类，并提出了一种动态的风险感知全局模型聚合方案，使客户端根据传输速率和可信度限制按照降序和升序参与，从而加快收敛速度。数值结果显示，与两个基准方案相比，所提出的方案在精确度和收敛速度上具有明显的优势。

Jan, 2024

迈向可扩展的无线联合学习：挑战与解决方案

通过网络设计和资源编排的两个方面讨论了实现可扩展无线联邦学习的挑战和解决方案，并提出了三种面向任务的学习算法来提高算法的可扩展性，实现对无线联邦学习的计算高效资源分配。

Oct, 2023

无线联邦学习中数据异构的分析与优化

本文针对数据异构性与无线资源分配相结合的无线联邦学习问题，提出了性能分析与优化的方法，在考虑数据异构性的同时，优化客户端调度、资源分配和本地训练轮数，通过实验验证了该算法在学习准确性和能量消耗方面的优势。

Aug, 2023

无线自组临时联盟学习：一种完全分布式的合作式机器学习

本文提出了一种分布式的合作式机器学习方法，即 WAFL，它能够通过无线自组网络在非 IID 分散节点之间交换和聚合数据，从而构建广义模型，并在多种机会式网络中实现高达 94.8-96.3% 的准确率。

May, 2022

FedFog: 基于网络感知优化的无线雾云联合学习

本文通过提出一种基于联邦平均的高效 FL（FedFog）算法，结合一种新型的面向网络的 FL 优化问题，提高了资源利用率并在保证学习精度的同时，通过采用用户聚合策略，缓解慢用户的影响，并减小了时间开销。对多项真实 FL 任务的数值结果进行了广泛的理论收敛验证和实际应用展示。

Jul, 2021