通过最小化收敛来增强 FedProx 算法
本文介绍了联邦学习在物联网应用中的先进发展,提出了一系列度量标准以进行严格评估,设计出了物联网网络上的联邦学习分类法,并提出了比联邦学习更好的隐私保护的分散联邦学习的两种用例,最后提出了一些开放性研究挑战和可能的解决方案。
Sep, 2020
物联网网络和数据处理技术的发展对分布式学习方法中的联邦学习具有巨大潜力,本论文通过两个实例展示了联邦学习在物联网网络中实现高效和保护隐私的机器学习的潜力,并通过模拟研究了隐私和准确性之间的权衡关系。
Dec, 2023
本研究提出了一种数字孪生的工业物联网新架构,通过可信的协作聚合机制,自适应地控制分布式学习频率并异步聚类,来提高学习性能,从而优化其工业 4.0 的应用效果。
Oct, 2020
在技术时代,数据是一种越来越重要的资源。本文介绍了使用树莓派开发的联邦学习(FL)解决方案原型,通过测试其性能和可用性证明了这些技术的可行性,尽管在许多情况下它们没有达到传统方法的性能水平。
Nov, 2023
该论文提出了一种新的联邦学习算法(EAFO),通过联合考虑本地更新和参数压缩两个变量并使 FL 能够自适应调整这两个变量来提高其效率,以最小化学习误差,并实现计算,通信和精度之间的权衡,实验结果证明,与现有算法相比,EAFO 算法能够更快地实现更高的准确性。
Jun, 2022
通过利用联邦学习技术,本研究提出了一种创新的策略来加强物联网网络对分布式拒绝服务攻击的安全性,实时检测并减轻攻击的影响,同时保护敏感数据的隐私。研究结果表明,在非独立非同分布数据集中,FedAvgM 的聚合算法优于 FedAvg,提供更好的稳定性和性能。
Mar, 2024
在工业物联网中,由于隐私和安全问题,很难将大量数据集中到一起训练深度学习模型,因此联邦学习,一种保护数据隐私的分布式机器学习范式,在物联网中得到广泛应用。然而,在实际的联邦学习中,数据分布通常在设备之间存在较大差异,数据的异构性将对模型的性能产生不利影响。此外,物联网中的联邦学习通常涉及大量设备的训练,而云服务器的通信资源有限成为训练的瓶颈。为了解决上述问题,本文将集中式联邦学习与分散式联邦学习相结合,设计了一种半分散式边缘云设备层次化联邦学习框架,可以缓解数据异构性的影响,并且能够在物联网中大规模部署。为了解决数据异构性的影响,我们在每个环状集群中使用了增量次梯度优化算法来改善环状集群模型的泛化能力。我们的大量实验证明,我们的方法可以有效缓解数据异构性的影响,并减轻云服务器中的通信瓶颈。
Mar, 2024
本文提出了一种基于云边架构的个性化联邦学习框架,以解决在物联网环境下的设备、统计和模型异构性,能够为智能物联网应用提供高效时延和低延迟的处理能力,并使用人类活动识别案例研究证明了个性化联邦学习在智能物联网应用中的有效性。
Feb, 2020
本研究是一项关于边缘设备上联合学习技术在物联网(IoT)应用中的综合调研,探索并分析 FL 在 IoT 数据共享、攻击检测、安全、智慧医疗,智能交通,无人机,智慧城市,智慧工业等应用领域中的潜力,并总结了可借鉴的经验教训和当前的挑战与未来研究方向。
Apr, 2021