Jun, 2023

基于联邦学习的分布式计算模型：融合异构模型与联盟区块链用于解决时间变化问题

PDF
TL;DR本文提出了一种基于联盟区块链网络的分布式计算模型 (DCM)，旨在提高整体模型的可信度和异构模型之间的有效协调，并设计了一种分布式分层集成 (DHI) 算法来实现全局解决方案过程，实验结果表明 DCM 模型优于许多基于联邦学习框架的最新模型。
recurrent neural networkfederated learningdistributed computation modelconsortium blockchain networkheterogeneous models
发现论文，激发创造
  • 分层和分散的联邦学习

    分层联邦学习是一种扩展传统联邦学习过程以实现更高效的模型聚合的方法，可用于智能农业和智能能源管理等应用中，以提高性能并降低成本。

    Apr, 2023

  • 当联邦学习遇见区块链：一种新的分布式学习范式

    本文研究了基于区块链的去中心化联邦学习框架，该框架能够防止恶意客户端破坏学习过程，提供自我激励和可靠的学习环境，并将模型聚合过程完全分散化，同时解决了独特的技术问题，并提供了实验结果。

    Sep, 2020

  • 无协调的复杂网络分散式联邦学习：克服异构性

    在高度普及的边缘场景中，缺乏中央控制器和预定的设备连接导致了复杂的网络结构，我们提出了一种通信高效的分散式联邦学习（DFL）算法来解决由数据和不同训练历史引起的异构学习难题，研究结果表明，与竞争方法相比，我们的解决方案能够训练出更好的本地模型并且在通信效率上更为优越。

    Dec, 2023

  • 使用智能合约系统进行银行贷款预测的分散式深度学习模型训练聚合机制

    本文提出了一种利用智能合约系统，从多个节点的本地人工神经网络模型获得中间表示并在主机节点上联合训练的机制，以在已分布的数据上进行深度学习模型训练（以银行贷款预测为例），从而避免共享和连接实际数据值。

    Nov, 2020

  • 增强分布式网络中的信任和隐私：基于区块链的联邦学习的综合调查

    区块链与联邦学习的综述和展望，介绍了基于区块链的联邦学习的分类、体系结构和应用，并指出了未来研究方向。

    Mar, 2024

  • 去中心化联邦蒸馏的收敛可视化器与降低通信成本

    通过分布式学习算法，在功能空间中使神经网络模型接近，解决共识式多跳联邦蒸馏中的通信成本降低和模型收敛可视化的两个挑战。

    Dec, 2023

  • 推进 6G 中的联邦学习：基于图形分析的可信架构

    利用分布式账本技术和图神经网络构建的受信任的体系结构，解决了 6G 环境下联邦学习的挑战，包括隐私保护和安全问题，并验证了其在异常模型检测和全局模型准确性方面相对于相关基准的性能提升。

    Sep, 2023

  • 区块链联邦学习中分权化的含义：评估模型过期和不一致性的影响

    本文研究了将 FL 的协调工作外包到区块链等民主网络中所造成的模型陈旧和不一致对异步设备训练过程的影响，并通过仿真评估了区块链的 FL 运作在著名的 CIFAR-10 数据集上的准确性和及时性。结果表明，模型不一致对模型的准确性有很大影响（预测准确性降低了约 35%），这凸显了根据基本 FL 应用特性来合理设计区块链系统的重要性。

    Oct, 2023

  • 区块链基础的分布式联邦学习框架及其委员会式共识

    本文提出一种基于区块链和委员会共识机制的去中心化联邦学习框架（Blockchain-based Federated Learning framework with Committee consensus），以加强联邦学习的安全性，并讨论了框架的可扩展性。

    Apr, 2020

  • 利用联邦学习和边缘计算在云计算网络中进行推荐系统

    通过将人工智能（AI）与边缘计算相结合，边缘智能利用终端设备和边缘服务器的计算和通信能力，在数据产生的地方进行处理，从而实现人工智能的大规模和高效部署。其中一项关键技术是隐私保护的机器学习范式 Federated Learning（FL），该范式使数据所有者能够在无需将原始数据传输到第三方服务器的情况下训练模型。然而，FL 网络预计涉及成千上万个异构分布式设备，因此通信效率仍然是一个关键瓶颈。为了减少节点故障和设备退出，提出了一种分层联邦学习（HFL）框架，其中指定的集群领导者通过中间模型聚合支持数据所有者。因此，基于改进的边缘服务器资源利用，本文可以有效弥补缓存容量的限制。为了减轻软点击对用户体验质量（QoE）的影响，作者将用户 QoE 建模为综合系统成本。为解决这个公式化问题，作者提出了一种具有联邦深度强化学习（DRL）和联邦学习（FL）的分散式缓存算法，其中多个代理独立学习并做出决策。

    Mar, 2024