Jan, 2024

移动性加速学习：车联网中分层联邦学习的收敛分析

PDF
TL;DR本文主要研究了在高度移动设备上的分层联邦学习（HFL），证明了 HFL 在边缘级异构数据中移动性能够提高收敛速度以及模型准确性的优势。
hierarchical federated learningmobilityconvergence speededge-level heterogeneous datamodel accuracy
发现论文，激发创造
  • 具有移动性的数据异构层次联邦学习

    本研究探讨基于数据异构和移动性的分层联邦学习，通过分析其性能并利用移动性改善数据异构，结果表明移动性可以提高 15.1％的模型准确性。

    Jun, 2023

  • 基于多跳集群的分层联邦学习在车联网中的应用

    在车辆自组织网络中，引入了一种基于多跳聚类的分层联邦学习框架来解决有限的通信资源、高车辆移动性和数据分布统计多样性等问题，并通过使用平均相对速度和 FL 模型参数的余弦相似度的加权组合作为聚类度量来确保收敛性，在处理非独立同分布数据的情况下，最小化簇头变更的同时处理复杂性。此框架还包括一种管理聚类头的平滑过渡机制以及向指定簇头传递最新的 FL 模型参数的新机制，同时考虑合并簇头的选项以减少数量和相关开销，并通过广泛的仿真实验，证明了相对于之前提出的聚类算法和非聚类车辆自组织网络，该分层联邦学习系统在提高准确性和收敛时间方面显著改进，并且维持了可接受的分组开销水平。

    Jan, 2024

  • 移动性提高异步联邦学习的收敛性

    本文探讨了异步联邦学习中客户端个体任意通信模式对参数服务器的影响。我们提出了 FedMobile，这是一种利用移动联邦系统的便利性来提高学习性能的新型异步 FL 算法，并且验证了我们的理论发现。

    Jun, 2022

  • 跨異質蜂巢網絡的階層式聯邦學習

    研究使用梯度稀疏化和周期性平均的分层联邦学习框架，来在异构蜂窝网络中实现协作机器学习任务。结果表明，该方案可以显着降低通信延迟且不会减少模型精度。

    Sep, 2019

  • 高度移动连接车辆的资源受限车联网边缘联邦学习

    本文提出了一种汽车边缘联合学习（VEFL）方案，其中边缘服务器利用高移动性的连接车辆（CV）的机载中央处理单元（CPU）和本地数据集来训练全局模型，并通过关于 CV 的训练模型成功接收的收敛分析来选择参数优化子问题。

    Oct, 2022

  • 基于量化的分层联邦学习：收敛分析与系统设计

    本文针对分层联邦学习问题，引入神经网络量化，提出了一种更加严格的收敛界限，优化客户端和边缘云多级聚合策略，同时借助仿真结果验证了策略的有效性。

    Mar, 2021

  • 移动边缘计算系统中基于可靠性不敏感客户端的联邦学习加速

    本文设计了一种称为 HybridFL 的多层联邦学习协议，该协议结合了边缘节点和云端两层不同的模型聚合策略，并使用概率方法在不确定的末端设备状态下通过区域弹性因子来选择客户端，实验证明了该协议在不同规模的 MEC 系统中显著提高了 FL 训练过程的效率，缩短了联邦轮次长度，加速了全局模型的收敛速度（最多快 12 倍），并降低了末端设备的能耗（最多降低 58%）。

    Jul, 2020

  • 面向计算受限异构设备的联邦学习：综述

    随着越来越多的物联网设备在现场部署，将神经网络的训练卸载到中央服务器变得越来越不可行，本文调查了联合学习在克服异构性挑战方面的应用和益处。

    Jul, 2023

  • 分层无线网络中的自适应联邦剪枝

    本文在无线网络中为分层式联邦学习引入了模型剪枝技术，通过联合优化剪枝比例和无线资源分配，旨在最大化模型收敛速度以达到给定延迟阈值，并通过解耦优化问题和使用 KKT 条件得出了剪枝比例和无线资源分配的闭式解，并通过模拟结果展示了模型剪枝在 HFL 中实现了减少了约 50％的通信成本而实现了相似的学习准确率。

    May, 2023

  • 移动边缘网络中的联邦学习：一项全面调查

    本文介绍了联邦学习技术与移动边缘计算的应用，讨论了在大规模和复杂的移动边缘网络中实现联邦学习所面临的挑战以及现有解决方案，探讨了联邦学习在移动边缘网络优化中的应用，以及未来的研究方向与挑战，包括保护隐私与安全。

    Sep, 2019