Mar, 2024

从学习到分析：通过目标导向的客户选择提高模型效能

PDF
TL;DR通过闭环模型分析框架，我们提出了一种解决基于模型分析框架的目标导向客户选择问题的算法，并推导出了所提算法的两个遗憾上界，数值结果表明所提算法表现接近最优。
federated learningclosed-loop model analytics frameworkclient selection problemstochastic multi-armed banditregret upper bounds
发现论文，激发创造
  • 个性化联邦学习的高效群集选择：一种多臂赌博机方法

    本文介绍了一种受多臂赌博机方法启发的动态上界置信度算法 (dUCB)，以解决个性化联邦学习中用户聚类的复杂性问题，特别在动态网络中，该算法平衡了探索与利用，使新用户能够有效地找到适合其数据分布的最佳聚类，并在各种情况下评估了算法的性能，展示了其在处理动态联邦学习场景中的有效性。

    Oct, 2023

  • 基于多臂赌博机的联邦学习客户端调度

    本文提出了一个基于多臂赌博机策略的在线客户端调度（CS）框架，用于减少联邦学习中数百到数千个通信轮延迟。两个基于上置信区间（UCB）策略的 CS 算法（CS-UCB 和 CS-UCB-Q）被提出以应对不理想的本地数据集的非独立、不平衡属性和客户可用性的变化。本文还分析了 FL 训练的收敛性能，并且模拟结果验证了所提出的算法的有效性。

    Jul, 2020

  • 带自适应调参客户端的联邦学习

    提出了一种名为 Delta-SGD 的算法用于优化联邦学习模型中的超参数，该算法能够在各个客户端之间自适应优化不同的参数，实验结果表明，该算法可以在不需要额外调整的情况下，在 73% 的实验中达到 TOP-1 准确度，在 100% 的实验中达到 TOP-2 准确度。

    Jun, 2023

  • 联邦学习能找到有益的朋友

    该研究提出了一种新的算法，为参与联邦学习训练的客户分配自适应聚合权重，识别出最有利于特定学习目标的数据分布，实验证明通过该算法引导的合作在传统的联邦学习方法上取得了更好的表现，强调了客户选择的重要性。

    Feb, 2024

  • 自我感知个性化联邦学习

    本论文提出了一种自我感知的个性化联邦学习方法，通过采用贝叶斯分层模型，利用不确定性量化来平衡本地模型改进和全局模型调整，使用不确定性驱动的本地训练步骤和聚合规则来实现。通过实验研究，该方法显著提高了个性化性能。

    Apr, 2022

  • 为联邦学习选择公平感知的客户

    通过 Lyapunov 优化的公平感知联邦用户选择（FairFedCS）方法可以在联邦学习中动态调整联邦用户的选择概率，根据联邦用户的声誉、参与联邦任务的次数和对最终模型性能的贡献，共同考虑性能和公平性。在真实的多媒体数据集上进行的大量实验表明，FairFedCS 平均实现了 19.6% 更高的公平性和 0.73% 更高的测试准确性，超过了最佳性能的现有方法。

    Jul, 2023

  • 一种提高联邦学习效率且保证公平性的客户端选择方案

    本文旨在解决集中式人工智能模型训练时可能存在的隐私泄漏问题。作者提出一种公平保障的客户选择算法，其根据 Lyapunov 优化问题进行建模，通过 C2MAB 估计模型交换时间，称为 RBCS-F。通过理论分析和真实数据实验，证明了该算法的可行性和实用性。

    Nov, 2020

  • 利用自由客户在联邦学习中进行模型增强

    FedALIGN 是一种选择参与联邦学习的非优先客户的匹配策略，基于他们的模型损失与全局数据的相似程度，以确保只有在对优先客户有益时才使用非优先客户的梯度，从而实现非优先客户的加入动机和优先客户的资源利用，且在各种合成和基准数据集上展示出更快的收敛速度和更高的测试准确性。

    Oct, 2023

  • 联邦多臂老虎机

    这篇论文提出了联邦多臂老虎机的新模型，并研究了两个具体的联邦多臂老虎机模型，提出了 Federated Double UCB 方法用于解决两个模型，理论与实验结果表明了该算法的效果和高效性。

    Jan, 2021

  • 联邦学习中高效客户端选择的多智能体强化学习方法

    本文提出了一种基于 Multi-Agent Reinforcement Learning 的 Federated learning 框架 - FedMarl，该框架不仅可以显著提高模型精度，还能大幅降低处理延迟和通信成本，从而解决了 Federated learning 在实际应用中的训练效率问题。

    Jan, 2022