联邦学习与物联网设备部署的原型
本研究是一项关于边缘设备上联合学习技术在物联网(IoT)应用中的综合调研,探索并分析 FL 在 IoT 数据共享、攻击检测、安全、智慧医疗,智能交通,无人机,智慧城市,智慧工业等应用领域中的潜力,并总结了可借鉴的经验教训和当前的挑战与未来研究方向。
Apr, 2021
通过对资源受限物联网环境中实施联邦学习的挑战和解决方案的综合调研,从客户端和服务器两个层面上,关注有限的客户端资源、异构客户端数据的存在、服务器容量和高通信成本等问题,并评估它们在各种场景中的有效性。此外,基于应用位置(即物联网客户端和联邦学习服务器),本文还提出了新的评估指标,以允许研究人员在资源受限的物联网设备上评估其解决方案。
Aug, 2023
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
本文概述了在工业物联网中整合联邦学习的隐私、资源和数据管理,并针对联邦学习技术在工业物联网中实现数据隐私保护、本地学习等方面的应用提出了挑战、可能的解决方案和未来研究方向。
Jan, 2021
联邦学习是用于分散式物联网设备训练机器学习模型的默认方法之一。但是,本研究表明,联邦学习中共享的模型权重可能泄露物联网设备的本地数据分布信息,并且模型权重注入噪声无法有效防止数据泄露。
Aug, 2023
本文提出一种基于去中心化的分布式联邦学习(DFL)概念,旨在实现 IoT 智能应用的隐私保护与训练效率。文章首先介绍了 DFL 的基础,其次提出了一个包含匹配理论解决方案的 DFL 框架,最后展望了未来研究方向。
Aug, 2020
本文通过在大量物联网和边缘设备网络上系统地进行广泛实验,重点关注异构情况,以探究在设备上实施联合学习的可行性,并呈现了其现实世界的特征,包括学习性能和操作成本,为研究人员和从业者提供有价值的见解,促进联邦学习的实用性,并帮助改进现有的联邦学习系统设计。
May, 2023
本文介绍了联邦学习在物联网应用中的先进发展,提出了一系列度量标准以进行严格评估,设计出了物联网网络上的联邦学习分类法,并提出了比联邦学习更好的隐私保护的分散联邦学习的两种用例,最后提出了一些开放性研究挑战和可能的解决方案。
Sep, 2020