Jan, 2024

边缘机器学习欺诈检测中的数据分布变化的分布式监控

PDF
TL;DR数字化时代见证了金融欺诈的显著增长。我们的研究填补了当前研究中在分布式边缘机器学习应用中对数据分布漂移的监测缺乏稳健系统的重要空白。通过引入一种创新的开源框架，我们的系统能够连续监测网络上边缘设备上的数据分布漂移，包括在分布式网络上进行 Kolmogorov-Smirnov（KS）测试的创新计算，从而有效准确地监测用户行为变化。我们对提出的框架进行了综合评估，使用真实和合成的金融交易数据集，并展示了该框架的有效性。
发现论文，激发创造
  • 分布偏移的细粒度分析

    本研究提出了一种框架来分析各种分布转移，并通过评估 19 个不同类别的方法，提供了当前最先进方法的整体分析。结果显示，与标准 ERM 基线相比，预训练和数据扩充（学习或启发式）在许多情况下都具有很大的优势，但不能很好地适应不同的数据集和转移。

    Oct, 2021

  • 边缘设备的分布式威胁情报：基于大型语言模型的方法

    通过将轻量级机器学习模型部署到边缘设备上，实时分析本地数据流，如网络流量和系统日志，分发计算任务到边缘服务器提高响应性，提供更好的威胁检测和缓解措施，提高网络边缘的安全性。

    May, 2024

  • 利用边缘到云的连续性在分散数据上实现可扩展机器学习

    本文介绍了边缘计算智能（如边缘人工智能 / 机器学习）的应用和挑战，为解决现有方法存在的采用障碍，提出了一种基于模型为中心的设计，以建立分散体系结构下的高效协作学习。

    Jun, 2023

  • 边缘无线网络分布式机器学习的 D2D 数据共享

    本文提出使用不同边缘设备间通过通信链接共享数据样本的新设备到设备的数据共享方法，在此设置下，优化了无线电资源分配以减少训练时延，并在数据样本在边缘设备之间非独立且非同分布时增加了训练精度。

    Jan, 2020

  • 用于无监督分布偏移检测的自组织聚类系统

    本文提出了一种持续学习框架，用于监测和检测数据分布的变化，通过自组织聚类和潜空间的统计方面探索这个问题，方法可以应用于有监督和无监督的环境中，并且通过比较高斯信号构建数据分布变化的评估，具有快速和稳健的特点，通过与其他无监督技术的比较实验证明了方法的潜力。

    Apr, 2024

  • 边缘智能无线网络

    本文探讨了边缘机器学习的关键构建块，神经网络架构的不同分裂及其内在的权衡，以及来自广泛数学学科的理论和技术促进因素，最终呈现了几个关于各种高风险应用的案例研究，展示了边缘机器学习在发挥 5G 及其以后的全部潜力方面的有效性。

    Dec, 2018

  • 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

  • 分布转移下的监督算法公平性：一项综述

    监督的公平感知机器学习在面临数据分布从源领域到目标领域的变化时，是一个新兴的领域，解决了在实现公正和无偏预测方面的挑战。本综述提供各种类型的分布变化的总结，并全面调查了现有方法，重点介绍了文献中常用的六种方法。此外，本综述列出了可用于经验研究的公开数据集和评估指标。我们进一步探讨了与相关研究领域的相互连接，讨论了重大挑战，并确定了未来研究的潜在方向。

    Feb, 2024

  • 多智能体分布式学习中的不确定性估计

    通过开发并建立新的方法，KDT NEUROKIT2E 项目旨在为边缘设备上的人工智能应用提供新的开源框架，其中包括量化、剪枝感知训练和稀疏化等创新技术，以显著扩展此类设备的功能范围，利用本地资源来处理复杂的机器学习任务，为创新的学习方法奠定基础。

    Nov, 2023

  • 社交网络知识图谱的边缘增强异常检测和信息补全

    提出了一种轻量级分布式知识图谱完成架构，采用知识图谱嵌入进行数据分析，通过人员数据质量评估方法 PDQA 过滤低质量数据，并提出了一种模型修剪算法，大大减小模型大小并实现轻量级部署。通过实验，我们与其他 11 种先进模型进行了比较，结果表明 RotatE 模型在知识图谱完成方面表现优秀，经过修剪的模型大小减小了 70％，hits@10 达到了 86.97％。

    Jan, 2024