CEFHRI：一种用于识别工业人机交互的通信高效联邦学习框架

Aug, 2023

CEFHRI：一种用于识别工业人机交互的通信高效联邦学习框架

CEFHRI: A Communication Efficient Federated Learning Framework for Recognizing Industrial Human-Robot Interaction

Umar Khalid, Hasan Iqbal, Saeed Vahidian, Jing Hua, Chen Chen

TL;DR本研究提出了一种用于人机交互的通信高效联邦学习框架（CEFHRI），通过利用预训练模型和可训练的时空适配器来解决数据异构性和通信成本的挑战，实验证明 CEFHRI 相对于完全微调在通信成本上具有优势，为具有数据隐私关切和通信带宽有限的工业环境提供了安全高效的人机交互联邦学习方法。

Abstract

human-robot interaction (HRI) is a rapidly growing field that encompasses social and industrial applications. machine learning plays a vital role in industrial HRI by enhancing the adaptability and autonomy of ro

human-robot interaction machine learning federated learning data privacy communication costs

发现论文，激发创造

面向端到端自主驾驶的通信资源受限分层联邦学习

本文介绍了 CRCHFL 框架来优化通信资源限制下的层次化联邦学习，以最小化混合数据和模型聚合下自主驾驶模型的推理误差，并在 CARLA 仿真平台上进行了验证，结果表明，CRCHFL 不仅加速了收敛速度，而且比 HFL 和 SFL 表现更优。

Jun, 2023

H-FL：面向联邦学习的分层通信高效和隐私保护体系结构

本文提出了一种名为分层联邦学习（H-FL）的新框架，通过运行时分布重构策略，利用中介将客户端重新分配并重新安排客户端的本地训练，设计了一种压缩校正机制，同时不牺牲模型性能，降低通信开销，引入局部训练的差分隐私，注入适量的噪声到完整模型的一部分中，从而提供隐私保障，在真实的图像识别任务的不同数据集上实验结果表明，我们的 H-FL 框架实现了最先进的性能。

Jun, 2021

探索联邦学习的实用性：从通信的角度进行调查

调查分析了通信高效的联合学习方法，定义了通信效率的度量方法并提供了系统全面的分类和评述，讨论了提高联合学习系统通信效率的未来研究方向。

May, 2024

HCFL: 面向非常大规模 IoT 网络的通信效率高的联邦学习高压缩方法

本文提出了一种称为高压缩联邦学习的压缩方案，可应用于大规模物联网网络中的协作学习，以减少通信成本并提高学习过程的适应性，并探索了物联网设备数量与 FL 模型收敛水平之间的关系。

Apr, 2022

HeteroFL：用于异构客户端的计算与通信高效联邦学习

本文提出名为 HeteroFL 的新型联邦学习框架，旨在解决具有非常不同计算和通信能力的异构客户端的问题，并通过几种策略增强 FL 训练。通过在三个数据集上进行五个计算复杂性级别的三种模型架构的广泛实证评估，通过自适应分配子网络来提高 FL 训练的计算和通信效率。

Oct, 2020

水平和垂直数据分区的高效电子健康混合联邦学习

电子健康允许智能设备和医疗机构协作收集患者数据，通过人工智能技术进行训练，以帮助医生进行诊断。我们提出了一个混合联邦学习框架，包括水平和垂直分区的数据，并开发了一种适应性策略来调整训练参数和缩小发送的数据大小。实验证明，所提出的算法可以实现所需的准确性，同时减少通信成本，也验证了适应性策略的有效性。

Apr, 2024

HiFlash: 具有自适应陈旧度控制和异构感知客户端 - 边缘关联的通信高效分层联合学习

利用 hierarchical federated learning paradigm (HiFL)，基于手机边缘计算和同步客户端 - 边缘模型聚合与异步边缘 - 云模型聚合相结合的方式，显著降低了 WAN 传输的流量，提高了 HiFlash 的系统性能和精度。

Jan, 2023

混合联邦与集中式学习

提出一种混合联邦和集中式学习（HFCL）框架，采用先进的数据传输方法并在计算资源不足时使用集中式学习方法，以有效地训练学习模型，并在所有客户端合作的同时提高学习准确度。

Nov, 2020

资源有效的异构和资源受限环境下的联邦学习

在本文中，我们提出了一种名为 RE-FL 的新方法，该方法解决了资源受限设备中计算和通信挑战的问题。我们的可变修剪技术通过根据每个客户端的计算能力进行修剪来优化资源利用。我们还使用知识蒸馏来减少带宽消耗和通信轮次。对图像分类任务的实验结果证明了我们的方法在资源受限环境中保持数据隐私和性能的有效性，同时适应了异构模型架构。

Aug, 2023

EHRFL：异构电子健康记录的联邦学习框架及参与客户精确定向选择

本研究提供了针对电子健康记录（EHRs）的联邦学习中两个实际但常被忽视的场景的解决方案：首先，我们介绍了 EHRFL，这是一个框架，通过 EHR 的文本线性化，促进了具有不同医疗编码系统和数据库模式的医疗机构之间的联邦学习；其次，我们聚焦于单个医疗机构发起联邦学习以构建适合自身的模型的场景，在选择参与机构时，我们提出了一种新颖的基于精度的方法，利用数据潜变量来确定适合机构的参与者。我们的实证结果表明，EHRFL 能够有效实现具有不同 EHR 系统的医院之间的联邦学习。此外，我们的结果证明了我们的基于精度的方法在选择减少数量的参与机构时不会损害模型性能，从而降低了构建机构特定模型时的运营成本。我们相信这项工作为 EHR 上的联邦学习的更广泛应用奠定了基础。

Apr, 2024