技术报告:关于节点无法访问情况下 Gossip 学习的收敛性
通过统计无人机增强无线传感器网络的统计特性,并利用多目标多臂赌博机理论开发了一种模型和解决方案,以在最大化网络覆盖的同时最小化联邦学习延迟;此外,还提出了另一种解决方案,特别适用于具有严格能量约束的大动作集,在每轮中逐步消除一个或多个动作,使用标量化的最佳臂识别算法找到最佳臂,使期望回报与期望能量消耗之比最大化。同时,导出了多目标和成本感知算法的误差概率的上界,在数值结果中展示了我们的方法的有效性。
Aug, 2023
针对在网络传感器中的应用,该研究综述了流言算法在计算机科学、控制、信号处理和信息论领域的最新发展,重点介绍了算法收敛速度、在无线链路中传输的问题以及在分布式估计、信号源定位和压缩等方面的应用。
Mar, 2010
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
提出了一种处理异构用户设备数据的联邦学习算法,同时结合对微波资源分配问题的优化,实现了收敛速率和能耗之间的平衡,并用 Tensorflow 实验验证了该算法的理论分析和优化表现。
Oct, 2019
通过引导参与联邦学习的设备基于业务需求、资源负载、网络状况和设备的算术能力,计算和网络融合(CNC)可以提高联邦学习在复杂网络环境中的通信效率,并通过优化模型参数传输过程中的通信效率来解决复杂网络情况下的延迟分布和网络资源利用率的问题。
Nov, 2023
本研究旨在解决联邦学习在无线网络中的收敛速度问题,通过提出一种概率用户选择方案以及利用人工神经网络来估计未被分配资源块的用户的局部模型,从而在优化联邦学习性能的基础上最小化收敛时间。
Jan, 2020
该研究探讨了基于设备对设备(D2D)网络的联邦学习,在分布式随机梯度下降算法实现中,利用随机线性编码和空中计算的数字和模拟传输方案进行通信效率的改进,并且在假设凸性和连通性的情况下提供了收敛性结果。
Jan, 2021
去中心化的学习方法 federated learning 和 gossip learning 之间的关键区别在于模型聚合方式;我们的研究引入了一种修正方差的模型平均算法,使 gossip learning 能够达到与 federated learning 相当的收敛效率。
Apr, 2024