提出了一种不需要复杂编码 - 解码方案来重建信道系数,从而提高多智能体系统中联合学习的效率和隐私保护的方法。
May, 2023
提出了一种基于超过空气计算的方法,探索了无线多接入通道的叠加属性,用于边缘机器学习中的快速全局模型聚合。
Dec, 2018
使用过空中计算的联邦学习方法,研究了在无线网络上进行联邦学习时由于信道衰落和噪声引起的模型聚合误差,包括收敛性、影响、收敛速率、传输方案和通信效率等方面,并通过仿真验证了理论结论。
Oct, 2023
本文提出了一种基于聚类的两层联邦学习算法,使用可扩展的聚类无线聚合方案实现算法的上行传输,使用适用于带宽受限的广播方案进行下行传输,展示了在干扰环境下该方法的高精度学习表现并导出该方法的收敛界。
Nov, 2022
提出了一种通过无线信道共享本地信息并使用接收到的聚合波形来更新策略参数的无线联合策略梯度算法,并研究了噪声和信道失真对算法收敛性的影响,确定了通信和采样的复杂度以找到一个近似稳定点,并通过模拟结果展示了算法的有效性。
本文提出了一种动态学习率(DLR)的机制以改善基于无线计算的联邦学习(FL)中由信道衰落引起的聚合失真问题,并通过基于 MNIST 和 CIFAR10 数据集的实验结果证明了该方案的有效性及其近似最优解的收敛性。
Feb, 2021
提出了一种面向异构客户的联邦赌博学习算法,通过对客户进行聚类实现了协同赌博学习,在联邦学习设置下,该算法在所有客户端都能实现非平凡的次线性遗憾和通信成本,只要服务器在任何时候只共享一个模型。
Feb, 2024
本文提出了基于 M-AirComp 的联邦学习多位计算方法及移动设备的能量高效设计,旨在解决联邦学习在移动设备上更新梯度导致的频繁无线更新和能量消耗问题。经过大量仿真实验,相比之前的方法,我们的方案在频谱利用,能量效率和学习准确率方面优于现有方案。
Aug, 2022
本文旨在探索线性上下文强化学习在联邦学习环境下的应用,提出了一种基于异步模型更新和通信的通用框架,并对分布式学习下的遗憾和通信成本进行了理论分析,并进行了广泛的实证评估,证明了该解决方案的有效性。
Oct, 2021
本文研究了在一个现实的无线多输入多输出(MIMO)通信系统上部署联邦学习(FL)的性能优化,研究了使用数字调制和空中计算(AirComp)的 MIMO 系统,提出了一种组合数字调制和 AirComp 的修改联邦平均(FedAvg)算法来降低无线信道的淡化和确保通信效率。
Feb, 2023