共享生产中联合目标检测技术用于质量检验
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
通过使用联邦学习方法中的 Fedavg 算法解决了物联网设备中涉及的隐私问题,并提出了一个公平的 Fedavg 算法以解决在训练过程中出现的不公平问题。
Aug, 2023
本研究探讨了在物联网车辆中采用联邦学习的切实可行性和应用价值,并介绍了一种基于 MPI 的轻量级原型系统 FedPylot,以模拟在高性能计算系统上进行联邦目标检测实验,并针对准确性、通信成本和推理速度进行评估,旨在为自动驾驶车辆面临的挑战提供平衡的方法。
Jun, 2024
本文提出了一种异步在线联邦学习(ASO-Fed)框架,在其中,边缘设备使用连续的流本地数据进行在线学习,而中央服务器从客户端聚合模型参数,我们的框架以异步方式更新中央模型,以应对异构边缘设备的计算负载变化、滞后或丢失的挑战,我们在模拟基准图像数据集和三个真实的非独立同分布数据集上进行了大量实验,结果展示了该模型的快速收敛和良好的预测性能。
Nov, 2019
本文从原始对偶优化角度提出一种新的机器学习算法策略来解决分布式学习过程中的非凸问题,使得此算法成为分布式学习架构中所有特性最优秀的算法框架,并且具有通信效率。
May, 2020
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
通过引入基于高斯混合模型的客户端噪声估计,将其以逐层的方式纳入模型聚合,从而提高高质量客户端的权重,我们提出了一种名为 FedA^3I 的注释质量感知的联邦学习聚合方法,该方法优于现有的处理跨客户端注释噪声的方法。
Dec, 2023
本文提出一种多尺度算法框架,该框架结合了 FedAvg 和 FedOMD 算法在接近静态场景下的理论保证,同时采用非静态检测和自适应技术以改善 FL 泛化性能,并给出了多尺度算法框架,在具有广义凸损失函数的情况下,每 T 个回合导致动态后悔的上限为 Tilde {O}(min {sqrt {LT},Delta^{1/3} T^{2/3} + sqrt {T}})
Nov, 2022
本文提出了一种名为 QA-SplitFed 的数据质量自适应平均策略,用于解决 SplitFed Learning 中多个客户端标注不一致问题。在人类胚胎图像分割任务中,实验结果表明 QA-SplitFed 方法可以有效地处理多个存在数据污染的客户端的情况。
Apr, 2023