May, 2023

简洁易行：不可靠客户端下联邦学习的容错性评估

PDF
TL;DR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。
federated learningartificial intelligencefault toleranceunreliable devicesdecentralized model training
发现论文，激发创造
  • 基于不确定性客户聚类的联邦学习用于整车故障诊断

    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。

    Apr, 2023

  • 可信联邦学习：综述

    本文介绍了联邦学习的可信度问题，并提出了可信度的三个支柱：可解释性、公平性和安全性与隐私性。通过对当前状态的分析和评估，提供了一个综合的可信度结构和信任评估机制。

    May, 2023

  • 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

  • 基于物联网边缘设备的联邦学习实证研究：资源分配与异构性

    本文通过在大量物联网和边缘设备网络上系统地进行广泛实验，重点关注异构情况，以探究在设备上实施联合学习的可行性，并呈现了其现实世界的特征，包括学习性能和操作成本，为研究人员和从业者提供有价值的见解，促进联邦学习的实用性，并帮助改进现有的联邦学习系统设计。

    May, 2023

  • 联邦信任：可信联邦学习的解决方案

    该研究分析了联邦学习中信任度评估的现有要求，提出了六个支柱（隐私、强壮性、公正性、可解释性、问责制和联邦）和 30 多个计算 FL 模型信任度水平的度量标准，并设计了一个算法 FederatedTrust，可以计算 FL 模型的信任度得分。通过在不同联邦配置下使用 FEMNIST 数据集进行的四个实验，展示了计算 FL 模型信任度的 FederatedTrust 的实用性。

    Feb, 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

  • 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

  • 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

  • 联邦学习中联邦评估调查

    本文首次对现有的联邦评估方法进行了全面的调查，并探讨了如何使用联邦评估来提高联邦学习性能，最终提出一些挑战与未来研究方向。

    May, 2023

  • 原型有助于联邦学习：朝着更快的收敛方向

    该论文提出了一种基于原型的联邦学习框架，通过在典型的联邦学习进程的最后全局迭代中进行少量更改就能够实现更好的推理性能，从而在两个基准数据集上实现了更高的准确性和相对高效的通信。

    Mar, 2023