May, 2024

FeMLoc：面向物联网网络中自适应室内无线定位任务的联邦元学习

PDF
TL;DRFeMLoc 是一个联邦元学习框架，专注于室内定位领域，通过在众多边缘设备的不同定位数据集上进行协同元训练，以及在新环境中的快速自适应，实现了较传统神经网络方法更准确、更快速的室内定位，同时大大减少了指纹数据收集和校准的工作量，具备适应新兴无线通信技术推动的大规模连接的可扩展性，还具备隐私保护的元学习特征。
internet of thingsindoor localizationfemlocmeta-learningprivacy-preserving
发现论文，激发创造
  • FedHIL：面向移动设备的弹性异构联合学习，用于室内定位的鲁棒性增强

    本文提出了一种融合室内定位和联邦学习技术的新型嵌入式机器学习框架 FedHIL，以提高设备异构环境下室内定位的准确性，同时保护用户数据隐私，在现实世界的不同室内环境和异构移动设备中进行的实验证明，FedHIL 表现优于现有最先进的 FL 和非 FL 室内定位框架，在平均定位精度上比最佳 FL-based 室内定位框架提高了 1.62 倍。

    Jul, 2023

  • 鲁棒的网络联邦学习用于定位

    本文提出了一种在分布式子梯度框架中采用 L1 范数鲁棒性公式的方法来解决分布式环境中的定位问题，并通过数值模拟验证了该方法在异常值较多的环境中的优越性能。

    Aug, 2023

  • 边缘实时智能：基于联邦元学习的协作学习框架

    提出了一种基于联邦元学习的平台辅助协作学习框架，用于解决物联网边缘节点受限计算资源和数据局限性的问题，并实现了针对边缘目标节点的快速任务适应。此外，还提出了基于分布式鲁棒优化的鲁棒性联邦元学习算法，并在数据集上展示了其有效性。

    Jan, 2020

  • 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

  • 具有快速收敛和高效通信的联邦元学习

    本文提出了一个联邦元学习框架 FedMeta，其中共享参数化算法而非全局模型以解决分布式移动设备网络中训练机器学习模型的统计和系统挑战，并在数据集上进行广泛实证研究，结果显示 FedMeta 相比于联邦平均 FedAvg 能够在 2.82-4.33 倍的通信成本和更快的收敛速度上取得 3.23%-14.84% 的准确性提升，并对用户隐私进行保护。

    Feb, 2018

  • 非无线和无线网络上的联邦和元学习：教程

    本文综述了联邦学习、元学习和联邦元学习在非无线与无线网络中的设计、优化和应用，并分析了这些学习算法之间的关系以及它们在实际应用中的优缺点。

    Oct, 2022

  • 资源受限 IoT 设备的联邦学习：全景和现状

    提出了一种叫做联邦学习的分散式学习结构，该结构可以在物联网设备中实现机器学习，通过处理来自不同客户端的数据，以预测未来事件。此方法可解决传统机器学习中遇到的通信开销、隐私泄露和安全性等问题，同时也避免了中央服务器的使用。本文讨论了在客户端资源有限的情况下实施联邦学习的挑战和应用。

    Feb, 2020

  • 个性化联邦学习中的上下文调节和元学习

    提出了一种将联邦学习与元学习技术相结合的新框架，通过学习数据批次的上下文信息并使用该知识生成调制参数来动态调整基础模型的激活，从而实现了联邦学习的效率和泛化能力的提高。实验结果表明，与现有的联邦学习方法相比，这种方法在收敛速度和模型性能方面都有所提高，突出了将上下文信息和元学习技术融入联邦学习的潜力，为分布式机器学习范式的进步铺平了道路。

    Dec, 2023

  • 基于元学习的通道状态信息全方位室内定位模型

    该论文提出了一种基于元学习的室内定位模型，以应对传统基于深度学习的定位模型的泛化性不足。新算法 TB-MAML 可在数据集有限的情况下进一步提高泛化能力，并评估了其性能。

    May, 2023

  • 分布式联邦学习：愿景、分类和未来方向

    本文提出一种基于去中心化的分布式联邦学习（DFL）概念，旨在实现 IoT 智能应用的隐私保护与训练效率。文章首先介绍了 DFL 的基础，其次提出了一个包含匹配理论解决方案的 DFL 框架，最后展望了未来研究方向。

    Aug, 2020