Oct, 2023

迈向可扩展的无线联合学习：挑战与解决方案

PDF
TL;DR通过网络设计和资源编排的两个方面讨论了实现可扩展无线联邦学习的挑战和解决方案，并提出了三种面向任务的学习算法来提高算法的可扩展性，实现对无线联邦学习的计算高效资源分配。
federated learningwireless flnetwork designresource orchestrationcomputation-efficient resource allocation
发现论文，激发创造
  • 利用联邦学习改变无线网络：全面回顾

    通过提出的机器学习模型联邦学习（FL），本文讨论了机器学习在无线通信中的重要性，并强调 FL 在未来移动网络中，尤其是 6G 及以上的关键作用。

    Aug, 2023

  • 资源受限 IoT 设备的联邦学习：全景和现状

    提出了一种叫做联邦学习的分散式学习结构，该结构可以在物联网设备中实现机器学习，通过处理来自不同客户端的数据，以预测未来事件。此方法可解决传统机器学习中遇到的通信开销、隐私泄露和安全性等问题，同时也避免了中央服务器的使用。本文讨论了在客户端资源有限的情况下实施联邦学习的挑战和应用。

    Feb, 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

  • 联邦学习在物理层设计中的应用

    本文探讨了物理层设计问题中基于联邦学习的最新进展，相比于集中化学习，联邦学习在通信开销方面更有效，但在学习准确性方面略有损失，同时探讨了模型、数据和硬件复杂性方面的设计挑战和可能的解决方案。

    Feb, 2021

  • 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

  • 无线网络上高效计算与通信的联邦学习

    通过将学习模型分为全局部分和个性化部分，以实现模型剪枝和个性化，本文提出了一种解决异构设备数据、计算和通信延迟以及非独立同分布数据的联邦学习框架，并通过数学分析研究了其收敛性、计算和通信延迟，并最终通过优化问题得到了剪枝比例和无线资源分配的闭式解。实验结果表明，相比只进行模型个性化的方案，该框架能够显著减少约 50％的计算和通信延迟。

    Sep, 2023

  • 面向无线通信的联邦学习：动机、机遇和挑战

    该研究论文介绍了联邦学习的一般概念，讨论了在 5G 网络中可能的应用，并描述了联邦学习在无线通信背景下的关键技术挑战和未来研究的开放问题。

    Jul, 2019

  • 无线联邦学习中数据异构的分析与优化

    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

  • 联邦学习与下一代无线通信：双向关系的调查

    研究如何应用联邦学习和机器学习，实时决策和调整无线通信网络中的无线资源和管理，并突出它们与无线通信的双向关系

    Oct, 2021

  • 联邦边缘学习：设计问题和挑战

    本文研究了在边缘网络上进行 FEEL 的挑战和权衡，提出了一种数据感知调度的通用框架作为未来研究方向的指南，并讨论了数据评估的主要轴和要求以及一些可利用的技术和指标。

    Aug, 2020