Apr, 2024

边缘的无监督联邦优化：无标签的 D2D 增强学习

PDF
TL;DR通过采用合作式联邦非监督对比学习 (CF-CL)，在边缘设备之间进行交换未标记数据 / 嵌入的智能信息推送 - 拉取方法，以改善本地多样性，并在全球模型训练中实现更快速、更高效的结果，适用于数据分布不均的极端情况。
federated learningcooperative federated unsupervised contrastive learningedge devicesdata privacy restrictionsnon-i.i.d. data distribution
发现论文，激发创造
  • 基于聪明数据交换的无监督联邦学习嵌入对齐

    本文提出了一种基于合作推拉式数据共享机制的联邦学习方法，能够在分布式边缘设备上进行无监督对比学习，提高非独立同分布条件下的模型表现和收敛速度。

    Aug, 2022

  • 基于强化学习的无监督联邦学习智能信息交换

    使用强化学习的方法，在无监督的分布式机器学习环境中创建一个最优化的数据传输图，以提高收敛速度和对故障的鲁棒性。

    Feb, 2024

  • 面向异构边缘 / 雾网络的协作联邦学习

    提出一种合作的边缘 / 雾设备机器学习范例 — 合作联邦学习 (CFL)，通过设备之间和设备与服务器之间的协作，实现模型 / 数据 / 资源池化机制，以解决边缘 / 雾网络中网络异构性问题，提高机器学习模型的质量和网络此消耗。同时，该范例还支持无标签数据和异构设备隐私等新功能。

    Mar, 2023

  • 联邦对比学习用于基于设备学习的皮肤病诊断

    本文提出了一种基于设备的联邦对比学习框架用于皮肤病诊断，该框架使用深度学习、联邦学习和自监督学习等技术，可以利用多个设备上的无标注数据进行预训练，并在有限的标注数据上进行调整，实现了对皮肤病的高效诊断。

    Feb, 2022

  • 基于无线设备间网络的联邦学习算法与收敛分析

    该研究探讨了基于设备对设备（D2D）网络的联邦学习，在分布式随机梯度下降算法实现中，利用随机线性编码和空中计算的数字和模拟传输方案进行通信效率的改进，并且在假设凸性和连通性的情况下提供了收敛性结果。

    Jan, 2021

  • 基于联合梯度和损失的聚类联邦学习设计

    本研究提出了一种新颖的集群型联邦学习框架，使得具有非独立同分布数据的分布式边缘设备能够自主地以分布式方式形成若干个集群，并在每个集群内实现联邦学习训练。通过引入联邦学习和损失协同的分布式聚类方法，本研究克服了联邦学习中的两个挑战，并证明所提出的集群型联邦学习算法与现有基准相比，可以将聚类迭代次数减少多达 99%。

    Nov, 2023

  • 具有类别不平衡减少的联邦学习

    用于解决联邦学习中数据隐私问题导致的设备端数据无法被中心服务器使用的问题，本文提出了一种基于估计方案的设备选择算法，以最小化类别不平衡来提高联邦学习全局模型的收敛性能。

    Nov, 2020

  • 无协调的复杂网络分散式联邦学习：克服异构性

    在高度普及的边缘场景中，缺乏中央控制器和预定的设备连接导致了复杂的网络结构，我们提出了一种通信高效的分散式联邦学习（DFL）算法来解决由数据和不同训练历史引起的异构学习难题，研究结果表明，与竞争方法相比，我们的解决方案能够训练出更好的本地模型并且在通信效率上更为优越。

    Dec, 2023

  • 基于无线 D2D 网络的分散联邦学习

    本文提出了一种在无线边缘设备间通过分布式学习模型的联合训练方式，使用 Decentralized Stochastic Gradient Descent 协议实现设备间协同训练，通过适应路径损耗、衰落、阻挡和干扰等因素的技术，在物理层上利用稀疏基础恢复实现了无线波传输和计算的处理。

    Feb, 2020

  • 合作边缘网络下的联邦学习设备采样和资源优化

    通过智能设备采样和设备之间的数据卸载，优化联邦学习的训练准确性以及数据处理和设备通信资源的消耗。通过图卷积网络学习网络属性、采样节点和设备之间的数据卸载之间的关系，该方法优于现有的文献中的设备采样方法。

    Nov, 2023