hierarchical federated learning | BriefGPT

关键词hierarchical federated learning

搜索结果 - 14

在车辆网络中使用动态客户端选择和异常检测的安全分层联邦学习
在车辆网络中，针对威胁到模型完整性的敌对或不可靠车辆的显著挑战，我们的研究引入了一种集成动态车辆选择和强健异常检测机制的新框架，旨在优化参与者选择并减轻恶意贡献相关风险。
PDFa month ago
量化分层联邦学习：统计异质性的鲁棒方法
本文提出了一种新颖的分层联邦学习算法，其在多个集合中结合了量化进行通信效率，并且展示了对统计异质性的鲁棒性。与传统的分层联邦学习算法不同，我们的方法将集合内迭代中的梯度聚合与集合间迭代中的模型聚合相结合。我们提供了一个全面的分析框架来评估其
PDF4 months ago
基于多跳集群的分层联邦学习在车联网中的应用
在车辆自组织网络中，引入了一种基于多跳聚类的分层联邦学习框架来解决有限的通信资源、高车辆移动性和数据分布统计多样性等问题，并通过使用平均相对速度和 FL 模型参数的余弦相似度的加权组合作为聚类度量来确保收敛性，在处理非独立同分布数据的情况下
PDF6 months ago
移动性加速学习：车联网中分层联邦学习的收敛分析
本文主要研究了在高度移动设备上的分层联邦学习（HFL），证明了 HFL 在边缘级异构数据中移动性能够提高收敛速度以及模型准确性的优势。
PDF6 months ago
具备干扰和数据异质性认知的分层无线联邦学习
这项研究提出了一种用于解决分层联邦学习在无线网络中可扩展性和干扰、设备数据异质性的挑战的学习方法，并通过优化的接收器归一化因子来减小干扰的影响。通过使用随机几何建模多簇无线网络并将聚合估计的均方误差作为网络参数的函数进行表征，论文证明了在干
PDF6 months ago
MM聚合式联邦学习：通过端边云协作增强更大规模的模型训练
提出了一种新的基于 EECC 的 FL 框架 ——Agglomerative Federated Learning (FedAgg)，它实现了具有实时访问的终端 - 边缘 - 云协同的设备级扩展，通过 Bridge Sample Based
PDF7 months ago
NOMA-Enabled 层次联合学习的客户端编排和成本效益的联合优化
本文提出了一种在半同步云模型聚合下，利用非正交多址接入技术的分层联邦学习系统，旨在最小化每次分层联邦学习全局轮次中的时间和能源成本。具体而言，我们首先提出了一种新颖的基于模糊逻辑的客户端编排策略，考虑了客户端在信道质量、数据数量和模型陈旧度
PDF8 months ago
层次联邦学习中的子模型分割：算法设计与收敛分析
我们提出了一种新的分层联邦学习方法 - 分层独立子模型训练（HIST），它通过将全局模型划分为不相交的子模型，并将它们分布在不同的细胞中来解决分层环境下的计算、存储和通信负担问题。我们证明了 HIST 对于非凸损失函数的收敛行为，并展示了几
PDF8 months ago
无线网络中的分层联邦学习：修剪应对带宽稀缺与系统异质性
通过模型剪枝在异构网络中提出了一种剪枝启用的分层联邦学习 (PHFL) 算法，通过优化模型剪枝比例、CPU 频率和传输功率以最小化可控部分的收敛界限，在严格的延迟和能量约束下验证了算法的有效性。
PDFa year ago
面向端到端自主驾驶的通信资源受限分层联邦学习
本文介绍了 CRCHFL 框架来优化通信资源限制下的层次化联邦学习，以最小化混合数据和模型聚合下自主驾驶模型的推理误差，并在 CARLA 仿真平台上进行了验证，结果表明，CRCHFL 不仅加速了收敛速度，而且比 HFL 和 SFL 表现更优
PDFa year ago
具有移动性的数据异构层次联邦学习
本研究探讨基于数据异构和移动性的分层联邦学习，通过分析其性能并利用移动性改善数据异构，结果表明移动性可以提高 15.1％的模型准确性。
PDFa year ago
分层和分散的联邦学习
分层联邦学习是一种扩展传统联邦学习过程以实现更高效的模型聚合的方法，可用于智能农业和智能能源管理等应用中，以提高性能并降低成本。
PDFa year ago
层次化联邦学习的双层激励机制设计
本文探讨了分层联邦学习的激励机制设计问题，提出了两层次的激励机制，并使用联盟形成博弈和斯坦克尔伯格博弈算法优化了分层联邦学习的效能。数值结果表明，本文提出的算法比现有的基准方案具有更好的表现。
PDFa year ago
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。
PDF5 years ago