May, 2023

云 RAN 上的竖直联邦学习：收敛分析与系统优化

PDF
TL;DR本文提出了一种基于云无线接入网络 (Cloud-RAN) 的竖直联合学习系统，利用空中计算 (AirComp) 和协作模型聚合技术减少地理分布的边缘服务器之间的通信延迟，结合传输优化模型和前传量化设计优化模型，提高竖直联合学习的模型聚合准确性。
vertical federated learningcloud-ranover-the-air computationmodel aggregationsystem optimization
发现论文，激发创造
  • 纵向联邦学习：挑战、方法与实验

    本文针对垂直联邦学习 (VFL) 这种特殊的架构设计，旨在解决 VFL 中关于安全隐私、大量计算和通信成本、模型分裂和系统异构等方面的研究挑战，提出有效的解决方案并在真实数据集上进行了实验，证明了我们的方案的有效性。

    Feb, 2022

  • 垂直联邦学习

    本文提供了关于垂直联邦学习的综述，包括联邦学习的概念、算法及其各个方面的挑战和现有进展；介绍了 VFL 的分类、隐私保护协议、攻击和防御策略，并提出了 VFLow 统一框架；最后还回顾了工业应用的最新进展和存在的开放性问题和未来发展方向。

    Nov, 2022

  • 基于分层视角的垂直联邦学习综述

    本文从硬件层到垂直联邦系统层对垂直联邦学习的现有工作和挑战进行分类，特别设计了一种新的 MOSP 树分类法来分析保护对象、安全模型和隐私保护协议等四个维度的核心组件 - 安全垂直联邦机器学习算法。

    Apr, 2023

  • 纵向联邦学习：一项结构化文献综述

    本文介绍了垂直联合学习的状态和即将面临的挑战，它是在分散的数据上训练机器学习模型的一种方法，可保护数据隐私。

    Dec, 2022

  • VAFL: 垂直异步联邦学习方法

    该研究探讨了一种解决垂直联邦学习的方法，该方法不需要多个客户端协作，适合客户端间断性连接，并采用基于扰动局部嵌入的隐私保护技术和随机梯度算法，从而提高通信效率和数据隐私保护等方面表现更加优越。

    Jul, 2020

  • 计算与通信高效的轻量化垂直联邦学习

    轻量级垂直联邦学习（LVFL）通过分别优化特征模型和特征嵌入的轻量化策略，有效减轻了计算和通信需求，同时保持了强大的学习性能。

    Mar, 2024

  • 动态网络中的容错垂直联合学习

    垂直联邦学习是一种联邦学习的类别，在这种类别中，每个客户端共享相同的样本空间，但仅持有特征的子集。本文提出了 Internet Learning（IL），包括其数据分割和网络环境，将性能表现优化为处理客户端的极端动态条件的主要目标。在模拟传感器网络的基础上，通过实现新方法，提出指标并广泛分析结果，证明所开发的方法对网络变化的鲁棒性更优于 VFL 基线。

    Dec, 2023

  • 半联邦学习：混合学习框架的收敛分析与优化

    通过提出一种半联合学习（SemiFL）范式，将基站（BS）和设备的计算能力结合起来，实现集中式学习（CL）和联邦学习（FL）的混合实施。通过设计一种新颖的收发器结构，将空中计算和非正交多址接入应用于聚合和传输，提高了通信效率，并证明了 FL 和 CL 是 SemiFL 的特例。然后，通过联合优化发送功率和接收波束形成器来减小最优性差距，并提供了解析解。两个真实数据集上的广泛模拟实验结果证实了我们的理论分析，并显示相比于最先进的基准，所提出的 SemiFL 在 MNIST 数据集上取得了 3.2% 的准确度提高。

    Oct, 2023

  • 基于量化的分层联邦学习：收敛分析与系统设计

    本文针对分层联邦学习问题，引入神经网络量化，提出了一种更加严格的收敛界限，优化客户端和边缘云多级聚合策略，同时借助仿真结果验证了策略的有效性。

    Mar, 2021

  • 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