Apr, 2024

Wi-Fi AP 负载预测的分布式学习

PDF
TL;DR通过研究分布式学习的两个基本方法 —— 联邦学习（FL）和知识蒸馏（KD）在 Wi-Fi 接入点（AP）负载预测用例上的应用，本文证明了分布式学习可以将集中式机器学习解决方案的预测准确性提高 93％，并将通信开销和能源成本降低 80％。
cloudificationsoftwarizationdistributed learningfederated learningknowledge distillation
发现论文，激发创造
  • 面向能量感知的蜂窝网络联合流量预测

    通过提出一个可评估机器学习模型可行性的新方法，本文在实际基站测量的基础上，对巴塞罗那地区的联邦学习场景中使用的最先进的深度学习体系结构进行全面评估，发现较大的机器学习模型在性能上略有提升，但在碳足迹方面产生了显著的环境影响，使其在实际应用中不切实际。

    Sep, 2023

  • 无线网络中的分布式学习：最近进展与未来挑战

    本文主要研究了分布式学习如何在无线边缘网络中高效地部署，主要介绍了联邦学习、联邦蒸馏、分布式推理和多智能体强化学习等多种分布式学习范例，并提供了详细的文献综述和通信技术优化实例，旨在为实际无线通信网络中分布式学习的部署提供个整体指导原则。

    Apr, 2021

  • 利用联邦学习改变无线网络：全面回顾

    通过提出的机器学习模型联邦学习（FL），本文讨论了机器学习在无线通信中的重要性，并强调 FL 在未来移动网络中，尤其是 6G 及以上的关键作用。

    Aug, 2023

  • 迈向可扩展的无线联合学习：挑战与解决方案

    通过网络设计和资源编排的两个方面讨论了实现可扩展无线联邦学习的挑战和解决方案，并提出了三种面向任务的学习算法来提高算法的可扩展性，实现对无线联邦学习的计算高效资源分配。

    Oct, 2023

  • 基于人工智能 / 机器学习的 IEEE 802.11 企业网络负载预测

    企业 Wi-Fi 网络可以通过人工智能和机器学习（AI/ML）的管理和操作能力大大受益。同时，基于 AI/ML 的流量 / 负载预测是改善 Wi-Fi 体验最具吸引力的数据驱动解决方案之一。本文研究了在实际企业 Wi-Fi 网络中采用基于 AI/ML 的负载预测的适用性和可行性。我们的结果表明，受硬件限制的 AI/ML 模型可以对网络负载进行预测，平均误差不超过 20％，85 区位数误差不超过 3％，这为主动驱动 Wi-Fi 网络优化提供了适当的输入。

    Oct, 2023

  • 从联邦学习到雾计算学习：在异构无线网络上的分布式机器学习

    通过使用一种叫作 Fog learning 的新学习范式，从边缘设备到云服务器中智能地分布机器学习模型的训练，来增强联邦学习的三个重要维度：网络、异构性和邻近性，并考虑由各种接近程度异构设备组成的多层混合学习框架，通过设备到设备（D2D）通信进行协作学习，使其从联邦学习中用于参数传输的星型网络拓扑迁移到更分布式的规模。

    Jun, 2020

  • 探索分布式负载预测的轻量级联邦学习

    利用轻量级完全连接的深度神经网络，本研究重点研究了联邦学习在分析智能能源计量器数据方面的应用，以在保护个体计量器数据隐私的同时实现与现有方法相当的负载预测准确性。通过利用联邦学习的框架，我们在每个计量器源和聚合器上实现了与现有方案相当的预测准确性，同时减少了复杂深度学习模型带来的能源和资源消耗，从而使这种方法在资源受限的智能计量系统中得到了广泛的部署。我们提出的轻量级模型能够实现 0.17 的平均负载预测 RMSE，而在 Arduino Uno 平台上进行训练和推断时，模型几乎没有能源开销，只有 50 mWh。

    Apr, 2024

  • 联邦学习在物理层设计中的应用

    本文探讨了物理层设计问题中基于联邦学习的最新进展，相比于集中化学习，联邦学习在通信开销方面更有效，但在学习准确性方面略有损失，同时探讨了模型、数据和硬件复杂性方面的设计挑战和可能的解决方案。

    Feb, 2021

  • 面向无线通信的联邦学习：动机、机遇和挑战

    该研究论文介绍了联邦学习的一般概念，讨论了在 5G 网络中可能的应用，并描述了联邦学习在无线通信背景下的关键技术挑战和未来研究的开放问题。

    Jul, 2019

  • 无线网络上通信高效的分布式学习原理与应用

    该研究论文总结了与机器学习相关的通信和 ML 原则，并提出了具有选定用例的通信高效和分布式学习框架。

    Aug, 2020