Sep, 2023

推进 6G 中的联邦学习：基于图形分析的可信架构

PDF
TL;DR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。
6gfederated learningdistributed ledger technologygraph neural networkprivacy
发现论文，激发创造
  • 6G 下的联邦学习：范式、分类、最新进展与洞见

    人工智能在下一代无线系统（如第六代（6G）移动网络）中发挥重要作用，但在训练 AI 模型和从分布式设备中获取智能和知识时，需要解决的关键挑战包括大量的数据、能源消耗、训练复杂性和敏感数据保护。联邦学习作为最近出现的框架，为多个学习代理构建准确而稳健的机器学习模型提供了有希望的方法，同时不共享原始数据。联邦学习通过允许移动设备协同学习全局模型而不显式共享训练数据，展示了高隐私性和高效的频谱利用。本文的主要目标是全面介绍联邦学习的可用性，以提高移动服务的质量，并支持支持新的用例。本文通过检查在协议堆栈的各个级别上实施联邦学习的附加价值，展示了联邦学习在改进协议堆栈和无线操作方面的重要性。此外，它给出了重要的联邦学习应用，讨论了热门话题，并为未来的研究和发展提供了宝贵的见解和指导。我们的结论旨在发挥联邦学习和未来 6G 之间的协同作用，同时强调联邦学习在颠覆无线行业和支持前沿移动服务发展中的潜力。

    Dec, 2023

  • 5G 网络安全联邦学习框架

    本文提出了一种基于区块链的安全联邦学习框架，通过构建智能合约，自动执行防御策略，识别恶意攻击参与者，同时采用本地差分私有化技术，有效地防止中毒和成员推断攻击。

    May, 2020

  • 异构 6G 网络联邦学习的优化设计

    本文研究如何通过三个方面的优化措施 —— 激励机制设计、网络资源管理和个性化模型优化，有效解决分布式人工智能范例中面临的系统和统计异构挑战，从而实现对第六代网络中亿万智能物联网设备所产生数据的联合学习和隐私保护。

    Mar, 2023

  • 面向 6G 的普及型联邦学习人工智能

    本文提出了一种基于联邦学习的网络架构，旨在通过分布式人工智能解决 6G 中的一些新挑战，包括应用 AI 于无线网络的困难，以及跨异构设备实现分布式 AI 的困难。

    Apr, 2020

  • 面向 6G 的联邦学习：应用、挑战和机遇

    该研究论文探讨在 6G 无线电信网络中采用联邦学习技术的应用，主要关注于联邦学习在无线通信中的挑战与问题，以及如何实现该技术。

    Jan, 2021

  • 联邦图学习 -- 一个立场论文

    在分布式数据隐私敏感的场景下，集中式训练图神经网络模型面临一些挑战，因此我们提出了一种名为联邦图学习（FGL）的方法，借助于联邦学习技术在保持数据去中心化的同时共同训练模型，并对 FGL 进行了分类、讨论、挑战和应用倡议。

    May, 2021

  • 面向 6G 通信的联邦学习：挑战，方法和未来发展

    本文介绍了 6G 通信与联邦学习的集成，并提供了联邦学习在 6G 通信中的潜在应用，描述了联邦学习在 6G 通信中的关键技术挑战、对应的联邦学习方法和未来研究的开放性问题。

    Jun, 2020

  • 关于分散式联邦学习的调查

    去中心化联邦学习解决方案的综述，包括现有的方法和未来的研究方向。

    Aug, 2023

  • 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

  • 联邦学习：应用、挑战和未来方向

    本文提供了关于联邦学习的概述，并重点关注医疗保健领域。通过中央协调器服务器共享全局深度学习模型，解决了隐私保护需求并探讨了联邦学习遇到的挑战和未来发展方向，其中使用多方计算、同态加密、差分隐私和随机梯度下降等多种隐私方法。

    May, 2022