Apr, 2023

基于不确定性客户聚类的联邦学习用于整车故障诊断

PDF
TL;DR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。
wireless sensing nodescondition monitoringfault diagnosisfederated learningclustering
发现论文，激发创造
  • 工业应用中的预测维护和质量检查联邦学习

    本研究对不同的联邦学习聚合方法进行了性能评估，并将它们与中心化和本地化训练方法进行了比较。研究结果表明，FL 的性能高度依赖于数据及其在客户端的分布。在某些场景下，FL 可以是传统中心化或本地化训练方法的有效替代方案。此外，我们介绍了一个来自实际质量检验环境的新联邦学习数据集。

    Apr, 2023

  • 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

  • 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

  • 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

  • 面向非独立同分布数据的可靠参与式无人机边缘学习

    我们提出了一种新的客户端选择方案来增强收敛性，通过优先考虑快速 UAV 和高可靠性评分，同时从训练中排除恶意 UAV，通过实验评估了该方案在不同攻击场景中的抵抗性和模型准确性，并展示了与基准方法相比所提出方法的性能优势。

    Dec, 2023

  • 联邦学习能找到有益的朋友

    该研究提出了一种新的算法，为参与联邦学习训练的客户分配自适应聚合权重，识别出最有利于特定学习目标的数据分布，实验证明通过该算法引导的合作在传统的联邦学习方法上取得了更好的表现，强调了客户选择的重要性。

    Feb, 2024

  • 基于联邦学习的匹配特征提取用于异构边缘设备的工业健康预测

    本文提出了一种 FL-based 健康预测模型和一种特征相似度匹配的参数聚合算法，以从异构数据中区分性地学习，利用循环衰减数据和涡轮鼓风机的非循环数据，为状态健康估计和剩余寿命估计带来高达 44.5％和 39.3％的精度提高。

    May, 2023

  • 异构和相关客户端的联邦学习

    本文提出了第一个针对不同客户的异构和相关可用性的 FedAvg 类 FL 算法的收敛分析，发现相关性如何不利地影响算法的收敛速率，并且介绍了一种新的算法 CA-Fed，在最大化收敛速度和最小化模型偏差之间寻求平衡，同时忽略了可用性低和相关性大的客户。实验结果表明，CA-Fed 在合成数据集和实际数据集上比 AdaFed 和 F3AST 等现有算法具有更高的时间平均准确性和更低的标准差。

    Jan, 2023

  • FedClust: 通过权重驱动的客户端聚类优化非 IID 数据上的联邦学习

    FedClust 是一种聚类联邦学习方法，利用局部模型权重和客户数据分布之间的相关性将客户分组成簇，并动态地实时适应新加入的客户，实验结果表明 FedClust 在准确性和通信成本方面优于基线方法。

    Mar, 2024

  • 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