MMOct, 2023

EdgeFD：一种面向工业物联网的边缘友好漂移感知故障诊断系统

PDF
TL;DR提出了一种适用于边缘部署的漂移感知权重整合（DAWC）方法，通过检测漂移和估计参数重要性，逐步为故障诊断模型提供强大的泛化能力，从而实现在边缘设备上减少模型微调的需求，并节省计算资源。与现有技术相比，DAWC 取得了更好的性能，并确保与边缘计算约束的兼容性，并且还开发了一个全面的诊断和可视化平台。
transfer learningfault diagnosisdata driftedge deploymentsindustrial internet of things
发现论文，激发创造
  • FLARE：基于联邦学习的 IoT 部署中 概念漂移的检测和缓解

    FLARE 是一种新颖的轻量级双调度器 FL 框架，可根据观察模型的训练行为和推理统计数据，在边缘和传感器节点之间有条件地传输训练数据和部署模型，从而同时减少通信流量并保持推理模型的完整性，并能成功地反应性地检测概念漂移，至少减少 16 倍的延迟。

    May, 2023

  • DeepFT: 基于自监督深度替代模型的容错边缘计算

    提出一种新的建模方法 DeepFT，通过优化任务调度和迁移决策，采用深度代理模型和基于自我监督学习的协同模拟，来预测和诊断系统中的故障，从而在资源有限的边缘计算中实现高可靠性

    Dec, 2022

  • 针对物联网数据流的轻量级概念漂移检测和适应框架

    提出了自适应物联网数据分析框架，在优化的 LightGBM 和概念漂移适应的基础上实现异常检测。通过实验验证，该框架具有高准确性和效率，并且不需要人类干预即可进行连续学习和漂移自适应。

    Apr, 2021

  • 数字孪生赋能 6G 网络：边缘关联的低延迟联邦学习与区块链

    本文介绍了数字孪生无线网络（DTWN），并在其中运行了一种基于区块链的联邦学习框架，以协作式计算提高系统的可靠性和安全性并提高数据隐私，并通过多智能体强化学习找到了最优解。

    Nov, 2020

  • 用可解释性概念漂移阻挠网络安全攻击

    提出一种特征漂移解释（FDE）模块来识别漂移特征，该模块通过自动编码器（AE）重构回归深度学习模型的第一层激活，并找到它们的潜在表示。结果表明，FDE 成功识别了 85.77％的漂移特征，并展示了其在概念漂移现象下的 DL 适应方法中的实用性，从而成为识别漂移特征以阻止网络安全攻击的有效策略。

    Mar, 2024

  • 用于工业物联网的自适应联邦学习和数字孪生

    本研究提出了一种数字孪生的工业物联网新架构，通过可信的协作聚合机制，自适应地控制分布式学习频率并异步聚类，来提高学习性能，从而优化其工业 4.0 的应用效果。

    Oct, 2020

  • 多任务时间序列分类的高效联邦蒸馏学习系统

    本文提出了一种高效的联邦蒸馏学习系统 (EFDLS) 用于多任务时间序列分类（TSC），通过特征生效的师生框架（FBST）和基于距离的权重匹配（DBWM）来实现，实验结果表明此系统在选定的 UCR2018 数据集上具有出色的性能。

    Dec, 2021

  • 适用于分布式 5G Edge 网络概念漂移的关注联邦学习

    本篇论文探讨了机器学习在 5G 边缘计算中的应用，阐述了不断训练模型以适应变化场景的必要性，并提出了使用注意力机制的联邦学习模式是有效处理数据分布的方法。

    Nov, 2021

  • 基于权重驱动联盟动力学的高效协作在联邦学习系统中的应用

    在物联网时代，分散的机器学习范式变得越来越重要。在本文中，我们介绍了一种利用设备模型权重之间的欧氏距离来评估它们的相似性和差异性的联邦学习模型。这对于我们的系统是基础性的，它根据模型权重的接近程度指导设备之间的联盟形成。此外，一个代表模型权重平均值的重心的概念有助于从多个设备合并更新。我们使用均匀和异构数据分布来评估我们的方法，并将其与传统的联邦学习平均算法进行比较。数值结果证明了它在为基于物联网的机器学习提供结构化、优越和通信高效的模型方面的潜力。

    Jan, 2024

  • 分布式远程学习中基于投影的潜在凝聚

    本文提出了一种 Data-Agnostic Consolidation (DAC) 双知识蒸馏方法，通过新的投影潜在蒸馏损失函数在潜在空间中蒸馏模型，从而在单个设备上实现了零成本的前向传递，进而在分布式持续学习情境中实现流模型的知识整合和转移，最终在各类数据集中达到了最先进的效果。

    Mar, 2023