device selection | BriefGPT

关键词device selection

搜索结果 - 7

ICML基于排名的仿真学习客户选择用于高效的联邦学习
FedRank 是一种新颖的设备选择解决方案，它是一种端到端的基于排名的方法，通过模仿学习预训练来解决数据和系统异构性，从而自适应地选择最适合进行模型训练的客户端。实验结果显示，FedRank 提高了模型准确性 5.2% 至 56.9%，加
PDF2 months ago
大规模网络中的随机汇总波束赋形超空接联邦学习
在本文中，我们考虑了一种联合设备选择和聚合波束成形设计的问题，目标是最小化聚合误差和最大化选择的设备数量，提出了一种基于随机采样的聚合波束成形方案，并使用渐近分析研究了当设备数量增多时，聚合误差和选择的设备数量。通过大量的模拟结果证明了提出
PDF5 months ago
AQUILA：通信高效的自适应量化惰性聚合梯度的联邦学习
AQUILA 是一种新的自适应框架，有效应对了联邦学习中的高通信开销、设备选择以及模型性能等问题。通过优化的设备选择方法和创新的量化准则，AQUILA 在各种非均匀的联邦学习设置下减少了通信成本，同时保持了可比较的模型性能。
PDFa year ago
MM联邦学习中基于贡献的设备选择方案
该研究提出一种设备选择方法，优化联邦学习模型的性能和设备级别表现，通过探索和利用数据新鲜度，以及使用简化的设备贡献估计方法，采用改进的 Truncated Monte-Carlo 方法降低通信开销并提高模型的泛化和个性化表现。实验结果表明，
PDF2 years ago
MM使用下行设备选择的联邦学习
本文研究联邦边缘学习在无线网络边缘使用隐私数据协作训练全局模型，通过数字下行传输，设计了一个部分设备参与的框架和设备选择方法，实验结果表明最佳参与设备数量取决于统计偏差的 MNIST 数据集。
PDF3 years ago
使用隐私保护联邦学习的无人机网络：基于学习的联合调度和资源管理
本文提出了一个多无人机网络上异步联邦学习框架，避免将原始数据发送到无人机服务器中进行模型训练，同时提出了异步优势演员 - 评论家算法并采用设备选择策略、无人机部署和资源管理算法来提高学习收敛速度和准确性。仿真结果表明，相比于现有解决方案，我
PDF4 years ago
MM可重构智能表面支持联邦学习：一种统一的通信 - 学习设计方法
本研究融合可重构智能表面技术，通过优化设备选择、空中计算设计和表面配置，解决了基于空中计算的联邦学习存在的瓶颈问题，取得了显著的学习准确度提升。
PDF4 years ago