May, 2024

LIFL：一款轻量级、事件驱动的联邦学习无服务器平台

PDF
TL;DRLIFL 是一种轻量级和弹性的无服务器云平台，通过精细的资源管理实现规模化的 FL 聚合，它通过流线型事件驱动的无服务器设计，以及使用轻量级的 eBPF 代理替代容器化的边车来提高效率，并利用共享内存处理实现高性能通信，进一步引入了 LIFL 中的位局感知布局以最大化共享内存处理的效益，LIFL 通过精确地规模化和资源复用来实现最高程度的并行性，同时将聚合时间和资源消耗最小化。
federated learningfl aggregationserverless cloud platformresource managementlocality-aware placement
发现论文，激发创造
  • EdgeFL：一种轻量级分布式联邦学习框架

    EdgeFL 是一种去中心化、轻量化的边缘 FL 框架，通过采用边缘模型训练和聚合方法来克服集中式聚合和 FL 部署可扩展性的限制，提供了更好的性能、更新延迟和分类准确性。

    Sep, 2023

  • EasyFL: 低代码联邦学习平台

    本文介绍了一种名为 EasyFL 的低代码平台，可用于支持联邦学习方法。该平台不仅易于使用，而且具有模块化设计和简单的 API，可用于加速实验和部署。EasyFL 提供了多个功能，如模拟、全面跟踪、分布式培训优化和无缝部署，从而使联邦学习方法被更广泛地使用，并帮助提高研究人员的生产力。

    May, 2021

  • 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

  • flwr-serverless 的无服务器联邦学习

    我们介绍了一个名为 flwr-serverless 的程序包，扩展了 Flower 包的功能，实现了同步和异步的联邦学习，并且无需中央服务器运行，通过一系列使用公共数据集的实验，我们证明了这种方法减少了联邦训练的时间和成本，为实施和实验联邦学习系统提供了更简单的方式。

    Oct, 2023

  • 面向边缘 IoT 网络的生命周期扩展联邦学习客户端选择

    本文提出了一种名为 FedLE 的能源高效客户端选择框架，通过对模型分布相似的客户端进行聚类，延长边缘 IoT 网络的寿命，以解决 IoT 设备的数量庞大和因能量限制造成的选举和更新模型的问题。

    Feb, 2023

  • Flower：一个友好的联邦学习研究框架

    介绍了一种名为 Flower 的综合性联合学习框架，可以执行大规模的联合学习实验，并考虑丰富的异构 FL 设备方案。

    Jul, 2020

  • 基于层次结构的联邦学习系统 TiFL

    TiFL 是一种基于层级的联邦学习系统，利用自适应层级选择方法解决传统联邦学习系统中由于资源和数据的异质性带来的进度延迟问题，实验结果表明 TiFL 在各种异质性条件下比传统 FL 的性能更好。

    Jan, 2020

  • 面向轻量通信设计的联邦学习压缩

    本文研究压缩技术对典型图像分类任务的联邦学习的影响，并证明了一种简单的方法可以在保持不到 1% 准确率损失的同时压缩 50% 的消息，与最先进的技术相媲美。

    Oct, 2023

  • 木瓜：实用、隐私和可扩展的联邦学习

    本文介绍了一种适用于千万级用户设备的异步跨设备联邦学习 (asynchronous Cross-device Federated Learning) 系统，该系统可用于分布式学习，解决了大规模训练中同步传输的效率问题，异步方式比同步方式在高并发环境下训练速度快 5 倍，通信开销少 8 倍。

    Nov, 2021

  • 基于知识增强的半监督联邦学习：聚合 IoT 中异构轻量级客户端

    pFedKnow 是一个 SemiFL 框架，它通过神经网络剪枝技术生成轻量级的个性化客户端模型以降低通信成本，并将预训练的大型模型作为先验知识来指导个性化客户端模型的聚合，以进一步提高框架性能。

    Mar, 2023