在线垂直联合学习用于合作谱感知
本文提出了一种基于云无线接入网络 (Cloud-RAN) 的竖直联合学习系统,利用空中计算 (AirComp) 和协作模型聚合技术减少地理分布的边缘服务器之间的通信延迟,结合传输优化模型和前传量化设计优化模型,提高竖直联合学习的模型聚合准确性。
May, 2023
本文研究了基于联邦学习的可靠安全的认知无线电环境中的频谱感知方法,探讨了联邦学习在频谱感知中的动机、架构和算法,概述了这些算法的安全和隐私威胁以及可能的对抗方法,提供了一些举例,并给出了未来 CR 中基于联邦学习的频谱感知设计建议。
Mar, 2023
本文从硬件层到垂直联邦系统层对垂直联邦学习的现有工作和挑战进行分类,特别设计了一种新的 MOSP 树分类法来分析保护对象、安全模型和隐私保护协议等四个维度的核心组件 - 安全垂直联邦机器学习算法。
Apr, 2023
6G 无线通信中的频谱共享越来越重要,机器学习技术的应用在感知频谱空洞方面发生了显著变化,通过联邦学习实现的频谱感知技术引起了广泛关注,但协作训练的完整性和本地用户频谱信息的隐私安全问题仍然未被充分探索。本文首先研究了适用于 6G 场景的联邦学习优势频谱共享的最新发展,并指出了其中的安全和隐私威胁。最后,本研究提出了未来的发展方向,包括实际防御挑战和指导。
Jun, 2024
垂直联邦学习是一种联邦学习的类别,在这种类别中,每个客户端共享相同的样本空间,但仅持有特征的子集。本文提出了 Internet Learning(IL),包括其数据分割和网络环境,将性能表现优化为处理客户端的极端动态条件的主要目标。在模拟传感器网络的基础上,通过实现新方法,提出指标并广泛分析结果,证明所开发的方法对网络变化的鲁棒性更优于 VFL 基线。
Dec, 2023
本文提供了关于垂直联邦学习的综述,包括联邦学习的概念、算法及其各个方面的挑战和现有进展;介绍了 VFL 的分类、隐私保护协议、攻击和防御策略,并提出了 VFLow 统一框架;最后还回顾了工业应用的最新进展和存在的开放性问题和未来发展方向。
Nov, 2022
我们在本论文中提出了一种数据驱动的框架,用于协同宽带频谱感知和调度网络化的无人机,其充当二级用户来机会性地利用检测到的 "频谱空洞"。我们的框架包括三个主要阶段:模型训练阶段,协同频谱推断阶段以及频谱调度阶段。我们还提出了一个多联邦学习架构,将无线数据集生成直接集成到联邦学习训练过程中。我们利用强化学习解决方案动态分配检测到的频谱空洞给二级用户。通过建立综合的仿真框架来评估所提出的方法,我们能够生成近乎真实的合成数据集,用于发展基于机器学习 / 人工智能的航空设备频谱管理解决方案。
Jun, 2024
本文针对垂直联邦学习 (VFL) 这种特殊的架构设计,旨在解决 VFL 中关于安全隐私、大量计算和通信成本、模型分裂和系统异构等方面的研究挑战,提出有效的解决方案并在真实数据集上进行了实验,证明了我们的方案的有效性。
Feb, 2022
通过提出一种半联合学习(SemiFL)范式,将基站(BS)和设备的计算能力结合起来,实现集中式学习(CL)和联邦学习(FL)的混合实施。通过设计一种新颖的收发器结构,将空中计算和非正交多址接入应用于聚合和传输,提高了通信效率,并证明了 FL 和 CL 是 SemiFL 的特例。然后,通过联合优化发送功率和接收波束形成器来减小最优性差距,并提供了解析解。两个真实数据集上的广泛模拟实验结果证实了我们的理论分析,并显示相比于最先进的基准,所提出的 SemiFL 在 MNIST 数据集上取得了 3.2% 的准确度提高。
Oct, 2023
纵向联邦学习是一种隐私保护的分布式学习范式,不泄露私密数据的情况下,不同参与方通过使用共享样本的分区特征协同学习模型。本文对纵向联邦学习的最新发展进行了系统概述,并提出了几个关键的未来研究方向,以促进该领域的发展。
May, 2024