能源感知的联邦学习与分布式用户抽样和多通道 ALOHA

Sep, 2023

Energy-Aware Federated Learning with Distributed User Sampling and Multichannel ALOHA

Rafael Valente da Silva, Onel L. Alcaraz López, Richard Demo Souza

TL;DR将能量收集设备集成到分布式学习网络中，采用多信道 ALOHA 方法，确保低能量中断率和未来任务的成功执行，并通过数值结果证明了该方法的有效性

Abstract

distributed learning on edge devices has attracted increased attention with the advent of federated learning (FL). Notably, →

发现论文，激发创造

应用能量收集技术改善边缘设备局部训练的能耗问题，使用结构增强的深度强化学习算法提高训练性能，并进行了实际数据集的实验证明了方法的有效性。

May, 2024

通过无线网络实现联邦学习，并使用基于深度强化学习的方法来进行边缘关联，以提高精度和降低能耗，进而实现成本效益的个性化联邦学习。

Feb, 2022

在分布式学习中，为了解决参数聚合带来的通信开销和单点故障问题，本论文研究了如何有效利用有限资源以提高模型性能。我们通过优化本地训练轮次的数量和节能聚合方案，提出了一个解决方案，该方案在不同设备上实现了更好的性能表现，并消耗比传统聚合方案更少的能量。

Mar, 2024

通过融合设计用于节能和分布鲁棒性的确定性和概率方法，本文提出了一种保证分布式鲁棒联邦学习的能量效率的新方法，并且通过模拟结果展示了与基准方法相比，在鲁棒性和能量效率两个方面都具有优异性能，达到了超过基准方法 3 倍的能量节省。

Dec, 2023

本文主要解决采用联邦学习模型时，如何通过控制工作负载分配，最小化异构设备上的能源消耗问题。作者提出了一种基于伪多项式的最优解决方案，并针对单调递增的情况提出了四种算法。

Sep, 2022

通过动态调度和资源分配算法解决异构数据和时间变化目标函数下，在长期能量限制条件下，流式数据随机生成和资源可用性的固有随机性，并通过仿真结果验证了所提出方案相对于基准方案的学习性能和能效的提高。

May, 2024

研究了基于无线通信网络的联邦学习中的能源有效传输和计算资源分配问题，并提出了一种迭代算法，以解决此优化问题，并通过数值结果表明了该算法相对于传统 FL 方法可将能源消耗降低高达 59.5％。

Nov, 2019

本文针对数据异构性与无线资源分配相结合的无线联邦学习问题，提出了性能分析与优化的方法，在考虑数据异构性的同时，优化客户端调度、资源分配和本地训练轮数，通过实验验证了该算法在学习准确性和能量消耗方面的优势。

Aug, 2023

通过控制数据采样过程，我们可以减轻过拟合问题并提高整体准确性，从而为具有实时感知能力的联邦学习系统中的资源分配提供了有希望的解决方案。

Oct, 2023

提出了一种考虑能量限制的分布式学习框架 DR-FL，通过采用双选择方法，使得参与的设备可以根据其计算能力和能量容量在多智能体强化学习的方式下有效地对全局模型做出贡献，从而在大规模 AIoT 系统的能量限制下实现异构模型之间的最大知识共享和改善每个参与的异构设备的模型性能。

May, 2024