May, 2023

FLARE：基于联邦学习的 IoT 部署中 概念漂移的检测和缓解

PDF
TL;DRFLARE 是一种新颖的轻量级双调度器 FL 框架，可根据观察模型的训练行为和推理统计数据，在边缘和传感器节点之间有条件地传输训练数据和部署模型，从而同时减少通信流量并保持推理模型的完整性，并能成功地反应性地检测概念漂移，至少减少 16 倍的延迟。
iotfederated learningflareconcept driftedge nodes
发现论文，激发创造
  • 联邦网络系统中的概念漂移检测

    本文提出了一种概念漂移检测系统，利用联邦学习在每次迭代中提供的更新来缓解漂移对模型性能的影响，使用降维和聚类技术，实现了在智能交通系统中不同漂移阶段和系统暴露水平的各种非 iid 场景中检测漂移节点的框架。

    Sep, 2021

  • 适用于分布式 5G Edge 网络概念漂移的关注联邦学习

    本篇论文探讨了机器学习在 5G 边缘计算中的应用，阐述了不断训练模型以适应变化场景的必要性，并提出了使用注意力机制的联邦学习模式是有效处理数据分布的方法。

    Nov, 2021

  • 边缘感知设备上的联邦学习：综述

    通过对边缘传感设备的视角，本文回顾了联邦学习策略，探讨了关键联邦学习原理、软件框架和测试平台，并且研究了联邦学习在当前传感技术、传感设备性能和传感应用上的应用，最后讨论了未来研究方向。

    Nov, 2023

  • FLARE：面向资源受限无线网络的新型联邦学习框架，可调节学习速率

    无线联邦学习中，通过 FLARE 框架可以调整学习速率和本地训练迭代次数以适应参与设备的瞬时计算能力，从而减轻异构性的影响，进一步通过优化调度来利用信道的不均匀性。

    Apr, 2024

  • 资源受限 IoT 设备的联邦学习：全景和现状

    提出了一种叫做联邦学习的分散式学习结构，该结构可以在物联网设备中实现机器学习，通过处理来自不同客户端的数据，以预测未来事件。此方法可解决传统机器学习中遇到的通信开销、隐私泄露和安全性等问题，同时也避免了中央服务器的使用。本文讨论了在客户端资源有限的情况下实施联邦学习的挑战和应用。

    Feb, 2020

  • 分布式联邦学习：愿景、分类和未来方向

    本文提出一种基于去中心化的分布式联邦学习（DFL）概念，旨在实现 IoT 智能应用的隐私保护与训练效率。文章首先介绍了 DFL 的基础，其次提出了一个包含匹配理论解决方案的 DFL 框架，最后展望了未来研究方向。

    Aug, 2020

  • 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

  • 联邦学习与物联网设备部署的原型

    在技术时代，数据是一种越来越重要的资源。本文介绍了使用树莓派开发的联邦学习（FL）解决方案原型，通过测试其性能和可用性证明了这些技术的可行性，尽管在许多情况下它们没有达到传统方法的性能水平。

    Nov, 2023

  • 跨联邦物联网设备对数据分布的对抗预测

    联邦学习是用于分散式物联网设备训练机器学习模型的默认方法之一。但是，本研究表明，联邦学习中共享的模型权重可能泄露物联网设备的本地数据分布信息，并且模型权重注入噪声无法有效防止数据泄露。

    Aug, 2023

  • 分布式概念漂移下的联邦学习

    本文研究了分布式概念漂移下的联邦学习，提出了两种新的聚类算法以适应数据异质性和时间变化的漂移，并且通过实验验证表明它们的准确性显著优于现有的基线算法，接近理想算法。

    Jun, 2022