SIGIRApr, 2023

基于联邦和集中特征的边缘云协同学习

PDF
TL;DR本研究提出了一种名为 ECCT 的边缘云协作知识传递框架，可在边缘和云之间进行双向知识传输，共享特征嵌入和预测。实验表明，ECCT 在提高个性化，允许模型异构性，容忍异步训练和减轻通信负担等方面具有潜在的学术和行业用途。
federated learningedge computingcloud serverrecommender systemcollaborative knowledge transfer
发现论文，激发创造
  • 聚合式联邦学习：通过端边云协作增强更大规模的模型训练

    提出了一种新的基于 EECC 的 FL 框架 ——Agglomerative Federated Learning (FedAgg)，它实现了具有实时访问的终端 - 边缘 - 云协同的设备级扩展，通过 Bridge Sample Based Online Distillation Protocol (BSBODP) 来递归地组织计算节点，实现每对父 - 子计算节点之间的知识传递和提取，提高了性能并满足了 FL 的隐私约束和 EECC 的灵活性要求。实验证明，FedAgg 相比最先进的方法，在准确率上平均提高了 4.53％，并在收敛速度上有显著的改进。

    Dec, 2023

  • 利用联邦学习和边缘计算在云计算网络中进行推荐系统

    通过将人工智能（AI）与边缘计算相结合，边缘智能利用终端设备和边缘服务器的计算和通信能力，在数据产生的地方进行处理，从而实现人工智能的大规模和高效部署。其中一项关键技术是隐私保护的机器学习范式 Federated Learning（FL），该范式使数据所有者能够在无需将原始数据传输到第三方服务器的情况下训练模型。然而，FL 网络预计涉及成千上万个异构分布式设备，因此通信效率仍然是一个关键瓶颈。为了减少节点故障和设备退出，提出了一种分层联邦学习（HFL）框架，其中指定的集群领导者通过中间模型聚合支持数据所有者。因此，基于改进的边缘服务器资源利用，本文可以有效弥补缓存容量的限制。为了减轻软点击对用户体验质量（QoE）的影响，作者将用户 QoE 建模为综合系统成本。为解决这个公式化问题，作者提出了一种具有联邦深度强化学习（DRL）和联邦学习（FL）的分散式缓存算法，其中多个代理独立学习并做出决策。

    Mar, 2024

  • 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

  • 客户端 - 边缘 - 云层级联合学习

    该研究提出了一种基于层次化客户端边缘云联合学习的系统，并支持使用 HierFAVG 算法对多个边缘服务器进行部分模型聚合以适应不同的数据分布情况和优化通信与计算之间的权衡，同时验证了这种结构在能够减少模型训练时间和末端设备的能量消耗。

    May, 2019

  • 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

  • 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

  • 移动边缘计算系统中基于可靠性不敏感客户端的联邦学习加速

    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

  • EdgeFL：一种轻量级分布式联邦学习框架

    EdgeFL 是一种去中心化、轻量化的边缘 FL 框架，通过采用边缘模型训练和聚合方法来克服集中式聚合和 FL 部署可扩展性的限制，提供了更好的性能、更新延迟和分类准确性。

    Sep, 2023

  • 关于分散式联邦学习的调查

    去中心化联邦学习解决方案的综述，包括现有的方法和未来的研究方向。

    Aug, 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