FedZero:利用可再生过剩能源实现联邦学习
FedGreen 是一种碳感知的联邦学习方法,通过采用基于客户端的碳排放数据和位置的自适应模型大小训练技巧,以及使用有序的随机失活作为模型压缩技术,可以有效地训练模型,并在考虑不同国家碳强度差异的同时,降低碳排放,并保持竞争性的模型准确性。
Apr, 2024
利用轻量级完全连接的深度神经网络,本研究重点研究了联邦学习在分析智能能源计量器数据方面的应用,以在保护个体计量器数据隐私的同时实现与现有方法相当的负载预测准确性。通过利用联邦学习的框架,我们在每个计量器源和聚合器上实现了与现有方案相当的预测准确性,同时减少了复杂深度学习模型带来的能源和资源消耗,从而使这种方法在资源受限的智能计量系统中得到了广泛的部署。我们提出的轻量级模型能够实现 0.17 的平均负载预测 RMSE,而在 Arduino Uno 平台上进行训练和推断时,模型几乎没有能源开销,只有 50 mWh。
Apr, 2024
本文研究了联邦学习的碳排放问题,发现与集中式机器学习相比,联邦学习的碳排放量可能高达两个数量级,但在一些情况下,由于嵌入式设备的能耗降低,两者的碳排放量是可比较的。作者探讨了算法效率、硬件能力和行业透明度等课题,以降低联邦学习对环境的影响。
Feb, 2021
Federated Learning 通过自适应成本感知的客户端选择策略优化任意成本指标,将资源效率提高到时间 - 准确性之间的最优化问题解决掉,并通过设计碳效率的 Federated Learning 模型,以其能耗的碳排放强度为成本,在减少碳排放和训练时间方面具有显著的优势。
Oct, 2023
提出了一种基于高度稀疏操作的 ZeroFL 框架,用于加速 On-device 训练,使 Federated Learning 能够训练高性能机器学习模型,并提高了精度。
Aug, 2022
本文主要解决采用联邦学习模型时,如何通过控制工作负载分配,最小化异构设备上的能源消耗问题。作者提出了一种基于伪多项式的最优解决方案,并针对单调递增的情况提出了四种算法。
Sep, 2022
电力短缺和负荷限制是发展中国家面临的主要问题,主要原因是能源部门管理不善和使用非可再生能源。改善能源管理并增加可再生能源的使用对解决能源危机具有重要意义。本文提出了基于区块链的安全分布式账本技术,用于保证生产者和消费者之间数据交易的透明性、可追溯性和安全性,并提出了用于预测消费者和生产者能源需求的联邦学习模型。实验结果显示,可再生能源已经产生了与其他非可再生能源资源相媲美的更好的结果。
Jul, 2023
通过提出一个可评估机器学习模型可行性的新方法,本文在实际基站测量的基础上,对巴塞罗那地区的联邦学习场景中使用的最先进的深度学习体系结构进行全面评估,发现较大的机器学习模型在性能上略有提升,但在碳足迹方面产生了显著的环境影响,使其在实际应用中不切实际。
Sep, 2023
本论文提出了一种新的框架,用于分布式和联邦学习(FL)的能源和碳足迹分析,研究了完全分散方法和共识方法的能源足迹和碳排放。这个框架量化了基于连续改进的学习三个环节的能源消耗,使用了两个 5G 行业垂直的案例对其进行了分析,结果表明能源消耗和测试准确度应该通过模型和数据足迹来平衡。
Jun, 2022
该研究提出了一种基于 XGBoost 模型的新颖联邦学习(FL)框架,通过安全的协作建模实现多方可访问但隐藏数据的收集,通过贝叶斯优化实现模型的超参数调优,并通过比较分析证明 FL-XGBoost 方法在地能量领域的二元分类问题中取得了合适的平衡,FL 模型展现了优越的准确性和泛化能力,对于数据有限或相关性较低的参与者而言,相比于单独模型,提供了显著的隐私优势,FL 协议内的聚合优化方法在超参数调优方面表现有效。这项研究开辟了通过协作和隐私保护的 FL 技术评估非传统储层的新途径。
Apr, 2024