May, 2023

有限功耗和隐私预算下的无线联邦平均化

PDF
TL;DR本研究提出一种差分隐私 OTA-FedAvg 系统，通过对齐系数进行梯度聚合并使用通道噪声保护隐私来提高学习性能，同时设计设备调度，对齐系数和 FedAvg 执行次数以满足隐私和功率约束。通过收敛性分析和优化方法，验证了该策略的有效性。
发现论文，激发创造
  • 无线联邦学习与优化

    使用过空中计算的联邦学习方法，研究了在无线网络上进行联邦学习时由于信道衰落和噪声引起的模型聚合误差，包括收敛性、影响、收敛速率、传输方案和通信效率等方面，并通过仿真验证了理论结论。

    Oct, 2023

  • 通过无线计算进行联邦学习

    提出了一种基于超过空气计算的方法，探索了无线多接入通道的叠加属性，用于边缘机器学习中的快速全局模型聚合。

    Dec, 2018

  • 在 MIMO 衰落通道上实现差分隐私的无线联合学习

    本文提出在多重输入多重输出信道上运用差分隐私保护机制的联邦学习方法，以优化隐私与学习的平衡。

    Jun, 2023

  • 模拟数字调度在联邦学习中的应用：一种高效通信的方法

    通过调度大部分设备使用 OTA 方案，同时偶尔使用数字方案来训练机器学习模型，ADFL 方案在 i.i.d 和非 i.i.d 环境中始终优于仅使用 OTA 和仅使用数字方案。

    Feb, 2024

  • 无线异构条件下的偏倚空中联邦学习

    近期，无线通道超插值特性在 Over-the-Air（OTA）计算中被应用于快速模型更新的有前景的联邦学习（FL）范式。本文针对 OTA-FL 收敛进行了 OTA 设备预缩放器的设计研究，并通过数值评估表明，最小化 FL 更新的方差并允许一定偏差的 OTA 设备预缩放器可以带来显著的收益。

    Mar, 2024

  • 无线联邦策略梯度

    提出了一种通过无线信道共享本地信息并使用接收到的聚合波形来更新策略参数的无线联合策略梯度算法，并研究了噪声和信道失真对算法收敛性的影响，确定了通信和采样的复杂度以找到一个近似稳定点，并通过模拟结果展示了算法的有效性。

    Oct, 2023

  • 面向无线联邦学习的通道和梯度重要性感知设备调度

    本研究提出一种名为 PO-FL 的概率设备调度框架，以缓解通道噪声的负面影响，在模型对聚合过程中使用该概率重量进行重新加权，通过经验分析得出结论：设备调度通过通信失真和全局更新方差影响学习性能。通过基于收敛性分析，进一步开发了基于渠道和梯度重要性感知的算法，以优化 PO-FL 中的设备调度概率。广泛的仿真结果表明，基于渠道和梯度重要性感知的 PO-FL 框架可以实现更快的收敛速度，并产生优于基准方法的模型。

    May, 2023

  • 联邦学习中中继辅助无线聚合的设备调度

    我们在本文中提出了一个中继辅助的大规模联邦学习框架以及在功耗和均方误差限制下的设备调度问题，我们将优化问题转化为多个稀疏优化问题以最大化调度设备数量。模拟结果表明，与其他基准方案相比，所提出的方案的有效性。

    Dec, 2023

  • 运用自适应差分隐私和基于优先级的聚合增强联邦学习

    通过个性化差分隐私框架和考虑各种异构性和属性调整的方法，该论文提出了一种高效地保护隐私的个性化差分隐私框架，并对联邦学习算法的收敛边界进行了分析，同时进一步研究了考虑时间变化的个性化因素的收敛性质。

    Jun, 2024

  • 具有本地差分隐私的无线联邦学习

    本研究针对高斯多址信道上受局部差分隐私约束的联邦学习问题进行研究，通过研究发现，无线信道的叠加性质提供了两重好处：在保证用户隐私的情况下实现带宽高效的梯度聚合，并提出了一种私有无线梯度聚合方案，并研究了该方案的收敛速度、无线资源和隐私权衡的关系。

    Feb, 2020