May, 2024

基于深度强化学习的联邦学习中的按需模型和客户端部署

PDF
TL;DR我们提出了一个利用深度强化学习技术的按需解决方案，通过在运行时使用 Docker 容器部署新的客户端，以解决动态和移动环境中的数据可用性和客户端选择的挑战。我们的架构能够适应环境变化，并对按需请求做出响应，从而提高客户端的可用性、能力、准确性和学习效率，超越启发式和表格型强化学习解决方案。
federated learningon-demand solutiondeep reinforcement learningclient availabilitydata shifts
发现论文，激发创造
  • ON-DEMAND-FL: 一种动态高效的多准则联邦学习客户端部署方案

    本文介绍了一种 On-Demand-FL 的客户端部署方法，使用容器化技术来利用物联网和移动设备作为志愿者，使用 Kubernetes 进行协调。在移动数据挑战（MDC）数据集和 Localfed 框架上进行的实验说明了所提出方法的相关性以及在需要时实现客户端的即时部署的效率，能减少废弃回合并提供更多可用的数据。

    Nov, 2022

  • 基于信任的联邦学习中客户端部署的按需方案

    在我们的研究中，我们将信任元素整合到系统架构的客户选择和模型部署过程中，通过使用 Docker 监测和验证参与者的行为，并借助基因算法优化模型，为参与者分配信任值并动态调整，扣减恶意客户的信任分数，从而识别和隔离有害客户，减少正常轮次中的干扰并最小化轮次取消，因此提高了系统的稳定性和安全性。

    May, 2024

  • 强化学习作为鲁棒和公平联邦学习的催化剂：解读客户贡献的动态

    提出了一种新的强化联邦学习（RFL）框架，通过深度强化学习在聚合过程中自适应优化客户贡献，提高模型对恶意客户的鲁棒性和参与者之间的公平性，在非独立分布的情况下实现鲁棒性和公平性，并通过验证集性能引导的奖励机制获得了可靠性和公平性的可比较水平。

    Feb, 2024

  • 面向多无人机协助边缘计算的个性化联邦深度强化学习轨迹优化

    在 5G 移动通信时代，研究聚焦于无人机和移动边缘计算技术方面出现了显著增长。本研究提出了一种名为个性化联邦深度强化学习（PF-DRL）的新解决方案，用于多无人机轨迹优化。模拟结果表明，该算法具有更快的收敛速度和改善服务质量，优于其他基于深度强化学习的方法。

    Sep, 2023

  • 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

  • 基于学习的无线网络联邦学习服务客户选择与经济预算约束

    该研究针对无线网络中多个联合学习服务，探究了一个基于数据质量感知的动态客户端选择问题，提出了一个多智能体混合深度强化学习算法以优化客户端选择和付款行为，同时避免行动冲突，并给出了模拟结果表明该算法显著提高了训练性能。

    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

  • 多用户边缘云网络中编排深度学习推理的混合学习

    通过将基于模型的强化学习和无模型强化学习相结合，我们提出了一种混合学习策略，可以加速深度学习推理编配过程中寻找最佳编配策略的过程，并在实验中表现出比基于最新强化学习方法的编排方法加速学习过程 166.6 倍的高效性。

    Feb, 2022

  • DynamicFL：平衡通信动态和客户端操作的联邦学习

    Federated Learning aims to train a global model by utilizing decentralized data, but the highly dynamic networks of edge devices can cause delays and degrade the efficiency of the training process. To address this, DynamicFL is proposed as a novel framework that considers communication dynamics, data quality, and client selection strategies to improve system performance and achieve better model accuracy.

    Jul, 2023

  • 针对分层联合学习中的动态资源分配和客户端调度：一种两阶段深度强化学习方法

    该研究提出了一种名为 “TP-DDPG” 的两阶段深度确定性策略梯度 (DDPG) 框架，用于平衡能量收集驱动的层次化联邦学习系统中的学习延迟和模型准确性。通过将优化决策分为两组，使用 DDPG 在第一阶段学习一组，同时将另一组解释为环境部分，为第二阶段的 DDPG 训练提供奖励。实验证明，TP-DDPG 可以以比基准系统快 39.4% 的训练时间，快速收敛到有效策略，同时要求层次化联邦学习 (HFL) 的测试准确度为 0.9。

    Jun, 2024