May, 2023

使用生成神经网络的联邦信道建模系统

PDF
TL;DR该研究提出了一种基于数据驱动的、利用联邦学习（FL）和生成对抗网络（GAN）的方法，用于在无人机上的毫米波无线网络中进行空地信道估计。通过将 FL-GAN 与其他生成模型进行比较，结果表明，FL-GAN 所生成的合成数据分布与真实数据的相似度最高，有效地展示了该方法在生成数据驱动的信道模型方面的实用性。
data-driven approachair-to-ground channel estimationmillimeter-wave wireless networkfederated learninggenerative adversarial network
发现论文，激发创造
  • 联邦生成模型的系统回顾

    综述了 2019 年至 2024 年间的涉及联邦学习和生成模型的研究，系统比较了近 100 篇论文的方法和隐私问题，强调了最新的进展和未解决的挑战，为未来的研究提供了洞见。

    May, 2024

  • 基于生成式神经网络的毫米波信道建模

    本文提出了一种基于生成神经网络训练的方法来构建并评估毫米波波段的 28GHz 空地信道通信系统的统计信道模型，该方法考虑了每个链路的延迟、方向和路径增益，并在最小化先验假设的情况下通过训练数据自动生成通道损耗、延迟和角度信息。

    Aug, 2020

  • PFL-GAN：当客户异质性遇到生成模型于个性化联邦学习

    最近发展的生成学习模型伴随着对基于生成对抗网络的联邦学习（FL）的增加兴趣。在 FL 的背景下，GAN 能够捕捉基本的客户数据结构，并能够重新生成类似于原始数据分布但不会泄露私有原始数据的样本。我们提出了一种针对 FL 中的客户异质性的新型 GAN 共享和聚合策略，即个性化 FL（PFL）。所提出的 PFL-GAN 在不同场景下解决了客户异质性问题。通过在几个知名数据集上进行严格实验的经验证明，PFL-GAN 的有效性。

    Aug, 2023

  • 无线网络的强韧联邦学习：基于信道估计的演示

    联邦学习提供了一种隐私保护的协作方法，用于无线网络中的模型训练，其中通道估计是一种具有潜力的应用。本文分析了联邦学习在通道估计中的安全漏洞，并提出了相应的解决方案，通过模拟进行了验证。

    Apr, 2024

  • FLIGAN：使用 GAN 增强不完整数据的联邦学习

    FLIGAN 使用生成对抗网络应对分布式学习中数据不完整的问题，通过生成合成数据提高数据集的鲁棒性和完整性，从而在高类别不平衡的场景下实现模型准确性的最多 20% 的提升。

    Mar, 2024

  • GPT-FL: 基于生成式预训练模型的联邦学习

    本文提出了一个基于生成式预训练模型辅助联邦学习框架的 GPT-FL 方法，在提高通信效率和客户抽样效率的同时，优化梯度多样性来增强模型收敛速度和提高模型测试准确性。

    Jun, 2023

  • 利用变分生成对抗网络从观测中学习随机信道模型逼近虚空

    本研究提出使用变分生成对抗网络来解决无线信道建模中的问题，可以精确地捕捉随机的信道响应，并且可以在一系列真实信道分布上优化性能。

    May, 2018

  • GraphGANFed: 面向高效药物发现的基于图结构分子的联邦生成框架

    本文提出了一种 GraphGANFed 框架，该框架将图形卷积神经网络（GCN）、生成对抗网络（GAN）和联邦学习（FL）作为整体系统来生成新的分子，而不共享本地数据集，实现了数据隐私的保护，并且在三个基准数据集上进行了广泛的模拟，证明了 GraphGANFed 的可行性和有效性。

    Apr, 2023

  • UFed-GAN：带有约束计算和无标签数据的安全联邦学习框架

    本研究提出了一种新的 UFed-GAN 框架，用于在资源受限和缺少标签的环境中的联合学习，该框架可以捕捉用户端数据分布，同时保护隐私。实验结果表明，UFed-GAN 在解决计算资源有限、数据缺少标签和保护隐私方面具有巨大潜力。

    Aug, 2023

  • 利用联邦学习改变无线网络：全面回顾

    通过提出的机器学习模型联邦学习（FL），本文讨论了机器学习在无线通信中的重要性，并强调 FL 在未来移动网络中，尤其是 6G 及以上的关键作用。

    Aug, 2023