提供模型作为一项服务的联邦学习：联合训练与推断优化

MMDec, 2023

提供模型作为一项服务的联邦学习：联合训练与推断优化

Federated Learning While Providing Model as a Service: Joint Training and Inference Optimization

Pengchao Han, Shiqiang Wang, Yang Jiao, Jianwei Huang

TL;DR通过联邦学习对模型训练和推理进行联合优化，以最大化客户端的推理性能。

Abstract

While providing machine learning model as a service to process users' inference requests, online applications can periodically upgrade the model utilizing newly collected data. federated learning (FL) is benefici

machine learning model federated learning model training inference performance optimization

发现论文，激发创造

联邦学习的进展：模型、方法和隐私

本文详细阐述了联邦学习的体系结构、应用问题、算法设计原则和安全问题，提出了一种更加通用的算法设计框架、攻击场景和防御方法，致力于将联邦学习与真实世界应用相集成并实现高性能、隐私保护和安全性。

Feb, 2023

工业应用中的预测维护和质量检查联邦学习

本研究对不同的联邦学习聚合方法进行了性能评估，并将它们与中心化和本地化训练方法进行了比较。研究结果表明，FL 的性能高度依赖于数据及其在客户端的分布。在某些场景下，FL 可以是传统中心化或本地化训练方法的有效替代方案。此外，我们介绍了一个来自实际质量检验环境的新联邦学习数据集。

Apr, 2023

原型有助于联邦学习：朝着更快的收敛方向

该论文提出了一种基于原型的联邦学习框架，通过在典型的联邦学习进程的最后全局迭代中进行少量更改就能够实现更好的推理性能，从而在两个基准数据集上实现了更高的准确性和相对高效的通信。

Mar, 2023

联邦学习的进展和开放问题

本文讨论联邦学习的最新进展和挑战，并提出了一系列开放性问题和挑战。

Dec, 2019

联邦学习：应用、挑战和未来方向

本文提供了关于联邦学习的概述，并重点关注医疗保健领域。通过中央协调器服务器共享全局深度学习模型，解决了隐私保护需求并探讨了联邦学习遇到的挑战和未来发展方向，其中使用多方计算、同态加密、差分隐私和随机梯度下降等多种隐私方法。

May, 2022

FedAST: 分布式异步同时训练

提出了一个缓冲异步联邦同时训练算法 FedAST，通过克服模型缓慢和自适应分配异构任务的客户资源来解决瓶颈问题，实验证明与现有同时联邦学习方法相比，能够达到多任务训练时间的最多 46.0% 的减少。

Jun, 2024

使用对比学习方法的预训练模型联邦学习

本文提出了一种轻量级框架，使客户端通过融合多个预训练模型生成的表示而不是从头开始训练大规模模型来共同学习；我们设计了一种基于原型的对比学习（FedPCL）方法，以原型为共享信息进行知识传递，从而提高各个客户端利用现有模型的能力并保持通信效率。

Sep, 2022

一种面向设备的联邦学习众包框架

本文提出了一种新的众包框架来解决分散式学习中的通信效率问题，并通过制定参与客户端的准入控制方案来保证其本地准确性水平。通过基于激励和 Stackelberg 游戏等模型的分析与模拟实验，证明了该方案的有效性。

Nov, 2019

联邦学习中多模型公平并发训练

多模型联邦学习算法设计及公平性和激励机制对训练收敛的影响研究。

Apr, 2024

移动边缘网络联邦学习的基于年龄的调度策略

本文基于更新时效度（AoU）提出了一种调度策略，该策略可以同时考虑接收参数的陈旧度和即时信道质量，以提高联邦学习的运行效率，并通过蒙特卡罗模拟验证了算法的有效性。

Oct, 2019