Jan, 2024

基于权重驱动联盟动力学的高效协作在联邦学习系统中的应用

PDF
TL;DR在物联网时代，分散的机器学习范式变得越来越重要。在本文中，我们介绍了一种利用设备模型权重之间的欧氏距离来评估它们的相似性和差异性的联邦学习模型。这对于我们的系统是基础性的，它根据模型权重的接近程度指导设备之间的联盟形成。此外，一个代表模型权重平均值的重心的概念有助于从多个设备合并更新。我们使用均匀和异构数据分布来评估我们的方法，并将其与传统的联邦学习平均算法进行比较。数值结果证明了它在为基于物联网的机器学习提供结构化、优越和通信高效的模型方面的潜力。
iotdecentralized paradigmsfederated learningmodel weightsmachine learning
发现论文，激发创造
  • 带异构标签和模型的资源受限联邦学习

    本文提出了一个应对标签异质性的框架，该框架通过简单的 α 加权联邦聚合计算分数获得了最多 16.7% 的平均确定性准确性提高，并在树莓派 2 上进行了实验以演示其设备内功能。

    Nov, 2020

  • 关于合作感知的联邦学习框架

    合作感知和联邦学习在未来交通系统中具有很大潜力，但数据异质性是一个重要挑战。本研究介绍了一种专门用于合作感知的联邦学习框架，名为 FedDWA 算法，并结合动态调节损失函数。实验证明该框架能够显著改善环境感知模型的准确性，提高交通部门的协同学习解决方案。

    Apr, 2024

  • 用于普适计算的联邦学习聚合算法：评估和比较

    本文探讨了如何应对异构设备和用户的挑战，提出了一种新型的聚合算法 FedDist，该算法能够考虑到客户端的差异性而不影响泛化能力，并在人类活动识别普适领域上通过对比测试发现其表现更好。

    Oct, 2021

  • 通过无线计算进行联邦学习

    提出了一种基于超过空气计算的方法，探索了无线多接入通道的叠加属性，用于边缘机器学习中的快速全局模型聚合。

    Dec, 2018

  • 物联网设备恶意代码检测的联邦学习

    本文研究联邦学习在物联网恶意软件检测中的应用及其安全问题。其中提出了一种使用联邦学习检测影响 IoT 设备的恶意软件的框架，并使用 N-BaIoT 数据集进行评估。研究表明，与传统方法相比，联邦学习方法可以显著提高模型性能，并且在保护用户隐私的前提下，其结果与集中式方法相似。此外，针对恶意攻击提出的其他模型聚合函数也可以提供显著改进，但需要进一步研究来提高联邦学习方法的鲁棒性。

    Apr, 2021

  • 合作设备的联邦学习：大规模物联网网络的共识方法

    这篇论文介绍了一种完全分布式的联邦学习算法，该算法的优点在于避免了数据披露并具有扩展性商用前景，可以在包括物联网设备在内的网络中使用。

    Dec, 2019

  • 边缘网络联邦学习：资源优化和激励机制

    本文提出在网络边缘实现联合学习的设计方面，使用建模激励交互的方式来推动设备的参与，同时列举了几个未解决的研究挑战和未来研究方向。

    Nov, 2019

  • 物联网联邦学习：最近进展、分类和开放挑战

    本文介绍了联邦学习在物联网应用中的先进发展，提出了一系列度量标准以进行严格评估，设计出了物联网网络上的联邦学习分类法，并提出了比联邦学习更好的隐私保护的分散联邦学习的两种用例，最后提出了一些开放性研究挑战和可能的解决方案。

    Sep, 2020

  • 非独立同分布数据下的联邦学习

    本文着重研究了在本地数据不 IID 的情况下联邦学习面临的统计挑战，提出了一个使用全局数据子集来提高非 IID 数据训练准确性的解决方案，并通过实验表明，使用仅占 5％的全局数据子集就可以将 CIFAR-10 数据集的准确性提高 30％。

    Jun, 2018

  • 联邦学习算法的效率和隐私的实证研究

    物联网网络和数据处理技术的发展对分布式学习方法中的联邦学习具有巨大潜力，本论文通过两个实例展示了联邦学习在物联网网络中实现高效和保护隐私的机器学习的潜力，并通过模拟研究了隐私和准确性之间的权衡关系。

    Dec, 2023