Jan, 2024

DISTINQT: 质量预测未来移动和无线网络的分布式隐私感知学习框架

PDF
TL;DRDISTINQT 是一个隐私感知的分布式学习框架，用于 QoS 预测，在多个异构节点之间共享计算，并通过将原始输入数据编码为非线性潜在表示来贡献于数据隐私保护。在 Tele-Operated Driving 应用场景，我们的框架相比于集中化版本有相同的性能，并在六个最先进的集中式基准解决方案上平均性能提升了 65％。
5g6gqos predictiondistributed learningdata privacy preservation
发现论文，激发创造
  • 面向下一代车联网的分布式预测服务质量

    本文研究了如何在车联网中实现预测服务质量（PQoS）的目标，通过强化学习代理设计来实现 PQoS。通过中心化，完全分布式和联邦学习等不同的学习方案，我们证明了去中心化学习和尤其是联邦学习在收敛时间和可靠性之间具有良好的权衡，这对隐私和复杂性方面具有积极的影响，并且在低延迟和可靠性的限制下确定了发送车载数据的最佳压缩级别。

    Feb, 2023

  • 概率深度监督网络：一种噪声鲁棒的 QoS 预测方法

    通过使用概率深度监督网络 (PDS-Net) 的新框架，该研究解决了噪声数据对于质量服务 (QoS) 预测的负面影响，通过减少错误传播，提高准确性。

    Aug, 2023

  • 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

  • 无线车联网环境中基于先前用户信息的服务质量预测

    通过评估 ML 树集成方法来预测无线通信质量，并利用车辆之间的相关性和无线环境特征改进预测性能，支持商业网络中的 ML 应用。

    Feb, 2024

  • 带 QoS 保证的功率控制：一个可微投影无监督学习框架

    本文介绍了一种基于深度神经网络的无监督学习框架，以解决多用户干扰信道中的功率控制问题，该问题的目标是在用户的最低数据速率或 QoS 要求和功率预算限制下最大化网络总速率，并使用两个新的深度学习（DL）解决方案：DIPNet 和 DEPNet，这些解决方案不仅可以提高可达数据速率，而且可以实现零约束违规概率。

    May, 2023

  • RL-DistPrivacy: 低延迟 IoT 系统隐私感知分布式深度推理

    本论文通过重新考虑分发策略，并利用增强学习设计来支持异构设备和多个 DNN / 数据集，实现协同深度推理的安全性，以平衡联合推理的延迟和数据隐私级别之间的权衡。

    Aug, 2022

  • 远程操作驾驶场景中的 PQoS 强化学习框架

    本文提出了一个基于强化学习的 PQoS 功能设计，重点是学习代理的奖励函数设计及将 QoS 估计转换为适当的对策，实现了在受控驾驶场景下最佳 QoS 和 QoE 性能。

    Feb, 2022

  • 基于 Digital Twin 的异构联邦学习知识蒸馏框架

    本文提出了一种基于知识蒸馏的联邦学习训练框架，利用数据孪生技术在服务器上训练大型教师模型，解决设备资源受限和异构性问题，并将联合问题建模为混合整数规划问题，使用 Q - 学习进行模型选择和本地或服务器训练决策，并基于优化分配用户的资源，仿真结果显示该方法显著提高了用户平均精度，同时减少了总延迟。

    Mar, 2023

  • 基于分布式资源感知的异构系统学习

    介绍了一种分布式训练神经网络的资源管理机制 ——DISTREAL，采用动态 dropout 机制调整每个设备的计算复杂度，通过 Pareto-optimal DSE 技术和联邦学习系统，实现了设备自主选择 dropout 向量来适应不断变化的可用资源，大幅提高了收敛速度而不损失精度。

    Dec, 2021

  • 隐私保护的分布式优化与学习

    分布式优化和学习中的隐私保护方法进行了综述，介绍了密码学、差分隐私等技术，并提出利用差分隐私算法来确保隐私和优化准确性，在多个机器学习问题中得到实际应用验证。同时探讨了该研究领域的挑战和未来方向。

    Feb, 2024