FedAuxHMTL：网络边缘流量分类的联邦辅助硬参数共享多任务学习

Apr, 2024

FedAuxHMTL：网络边缘流量分类的联邦辅助硬参数共享多任务学习

FedAuxHMTL: Federated Auxiliary Hard-Parameter Sharing Multi-Task Learning for Network Edge Traffic Classification

Faisal Ahmed, Myungjin Lee, Suresh Subramaniam, Motoharu Matsuura, Hiroshi Hasegawa...

TL;DR该文介绍了一种新的联邦辅助硬参数共享多任务学习框架，名为 FedAuxHMTL，通过在边缘服务器和基站之间进行模型参数交换，使分布区域的基站参与到 FedAuxHMTL 过程中，并提升主任务 - 网络边缘流量分类的学习性能。通过实证实验证明了 FedAuxHMTL 在准确性、总全局损失、通信成本、计算时间和能源消耗方面与其对应方法相比的有效性。

Abstract

federated learning (FL) has garnered significant interest recently due to its potential as an effective solution for tackling many challenges in diverse application scenarios, for example, data privacy in network edge traffic classification. Despite its recognized advantages, FL encoun

federated learning traffic classification auxiliary tasks hard-parameter sharing multi-task learning

发现论文，激发创造

异构客户端联邦多任务学习

借助 FedHCA$^2$ 框架，该研究解决了异构客户机联邦多任务学习中的模型不一致性问题，并通过建模异构客户机之间的关系来允许个性化模型的联邦训练。实验证明 FedHCA$^2$ 在各种异构客户机联邦多任务学习场景中相比其他方法具有更优越的性能。

Nov, 2023

非联邦多任务分割学习的异构源

边缘网络和移动计算的发展需要设计新的分布式机器学习机制来服务于异构数据源。本文提出了一种多任务分割学习（MTSL）框架，结合了分割学习（SL）的优点和分布式网络架构的灵活性，以实现高效处理异构数据源的多任务学习，具有快速收敛、低通信成本和对异质数据的鲁棒性等优势。

May, 2024

RHFedMTL: 资源感知的分层联邦多任务学习

本文提出了一种可行的资源感知层次化联邦多任务学习 (RHFedMTL) 解决方案，通过解决基站内的不同任务并在不危及隐私的情况下在云中聚合多任务结果，以满足任务异构性，同时开发了一种面向本地终端和基站的资源感知学习策略以满足资源预算。

Jun, 2023

混合分布下的联邦多任务学习

该研究提出了一种基于混合模型假设的联邦多任务学习方法，该方法可以在设备上学习个性化模型并实现客户端和服务端两种架构下的联邦 EM 算法的收敛，同时在联邦学习基准测试中获得了更高的准确性和公平性。

Aug, 2021

FedH2L：具有模型和统计异质性的联邦学习

该论文提出了 FedH2L 方法，通过相互蒸馏和分散学习的方式来实现联邦学习中不同参与者拥有不同网络结构和数据分布的情况下训练一个强而全面的全局模型。

Jan, 2021

FedBone：面向大规模联合多任务学习

本文提出一种名为 FedBone 的框架，它通过客户端 - 服务器分裂学习和梯度投影实现构建大规模模型，解决现有联合多任务学习方法所面临的问题，并提高不同任务之间的泛化性能。

Jun, 2023

FedLPS: 多任务异质联邦学习与本地参数共享

在本文中，我们提出了利用本地参数共享的异构联邦学习（FedLPS）来解决边缘计算环境中多任务部署和资源消耗不均匀问题，并通过模型剪枝算法和异构模型聚合算法来减少计算资源的消耗。实验证明，FedLPS 相对于现有联邦学习框架在性能上有很大的提升，可以将计算资源的消耗降低 21.3%。

Feb, 2024

异构数据感知联邦学习

本研究提出一种新方法来解决联邦学习中的问题，并在本文所述的公开基准数据集（如 Femnist）以及自己收集的数据集（即流量分类）上验证了该方法的有效性，结果表明这种方法在极端情况下具有显著的优势。

Nov, 2020

面向边缘计算的个性化深度神经网络联合学习

该研究提出了一种多任务联邦学习算法，通过添加非联邦批归一化层来允许用户训练个性化的模型，该算法支持联邦优化策略并在实验中表现出更快的收敛速度和更好的个性化精度。

Jul, 2020

MAS：面向资源高效的联邦多任务学习

提出一种用于协调和训练多个同时进行的联邦学习任务的系统，名为 MAS（Merge and Split），通过多任务架构将多个任务合并为一个任务进行训练，并根据任务之间的亲和度在训练过程中将其拆分成两个或更多任务继续训练，实验证明 MAS 方法在性能优化方面胜过其他方法，同时减少训练时间 2 倍并降低 40% 的能源消耗。

Jul, 2023