Jun, 2024

异质联合边缘学习的快速收敛：自适应协作信令辅助数据组播方法

PDF
TL;DR基于群集数据共享的联邦边缘学习 (FEEL) 是为 6G 超连接而出现的分布式机器学习范式，通过保护数据隐私，利用物联网设备的数据。为了解决 FEEL 中的统计不平衡问题，我们引入了一个集群数据共享框架，通过辅助多播来选择性地从集群头部共享部分数据给可信合作伙伴，以缓解数据异质性。所提出的框架在有限的通信环境中，能够在非独立和非齐分布的数据集上实现更快的收敛速度和更高的模型准确性。
发现论文，激发创造
  • 联邦边缘学习：设计问题和挑战

    本文研究了在边缘网络上进行 FEEL 的挑战和权衡，提出了一种数据感知调度的通用框架作为未来研究方向的指南，并讨论了数据评估的主要轴和要求以及一些可利用的技术和指标。

    Aug, 2020

  • 基于一比特信令的无线网络聚合通信的边缘计算联邦学习算法：设计与收敛分析

    本文提出了一种数字宽带聚合方案，称为单比特数字宽带聚合（OBDA），用以解决多设备使用同一通信媒介所带来的通信瓶颈问题，并对其在无线信道干扰下的收敛速率进行综合分析。

    Jan, 2020

  • 低延迟联邦边缘学习的宽带模拟聚合（扩展版）

    该论文提出了一种低延迟多接入方案，利用模拟聚合和多接入通道的叠加特性，实现了快速聚合模型的更新并使边缘学习具有更好的性能表现和低延迟。

    Dec, 2018

  • 卫星联邦边缘学习：架构设计与收敛分析

    这篇论文介绍了一种名为 FEDMEGA 的针对低地球轨道卫星网络的新型 FEEL 算法，通过整合卫星间链接和全网模型聚合方案，提高了传输效率，实现了大约 30% 的收敛速度提升。

    Apr, 2024

  • 基于流数据的能效联合边缘学习：一种 Lyapunov 优化方法

    通过动态调度和资源分配算法解决异构数据和时间变化目标函数下，在长期能量限制条件下，流式数据随机生成和资源可用性的固有随机性，并通过仿真结果验证了所提出方案相对于基准方案的学习性能和能效的提高。

    May, 2024

  • 具有分布式集成感知和通信的竖直联邦边缘学习

    研究了一种基于分布式综合感知和通信（ISAC）的垂直联邦边缘学习（FEEL）系统，采用中间计算矢量（而非原始感知数据）实现目标物体 / 人运动识别，以保护数据隐私。通过实验表明，与基准方法（包括设备内训练和水平 FEEL）相比，垂直 FEEL 方法可实现高达 98% 的识别准确率，提高了 8%。

    Jan, 2022

  • 跨異質蜂巢網絡的階層式聯邦學習

    研究使用梯度稀疏化和周期性平均的分层联邦学习框架，来在异构蜂窝网络中实现协作机器学习任务。结果表明，该方案可以显着降低通信延迟且不会减少模型精度。

    Sep, 2019

  • 联邦边缘学习的能效无线资源分配

    本文探讨了能够满足数据隐私保护的联邦边缘学习框架 (FEEL)。通过在边缘设备上进行本地模型训练并与全局模型在服务器上进行协调，实现了边缘设备上的学习算法。为了减少设备的能耗，在保证学习性能的基础上，我们提出了一些节能策略，并且根据设备的信道状态和计算能力分配带宽和安排时间表。与传统的速率最大化设计相比，我们的优化策略为弱信道和计算能力较差的设备分配更多的带宽，以确保 FEEL 中模型的同步更新。同时，为了提高学习性能，我们也设计出一个移动策略以给予更好信道和计算能力的设备更高的优先级。实验结果表明，我们提出的策略在节能方面有显著的提升。

    Jul, 2019

  • 基于信息论的拓扑感知异构联邦边缘学习在噪声信道上的泛化分析

    我们的工作针对数据异构性和噪声通道的情况，在拓扑感知的边缘学习中提出了一种信息论泛化分析，并提出了一种名为联合全局互信息缩减（FedGMIR）的新型正则化方法，通过数值结果验证了这种方法的有效性。

    Oct, 2023

  • 无人机辅助联邦边缘学习中的集成感知、计算和通信

    本文提出了一种基于无线传感的、人体运动识别的具体案例研究，通过联合优化无人机部署、综合感知、计算和通信资源，解决 FEEL 的联邦学习问题。

    Jun, 2023