Federated Low-Rank Koopman Learning for Multivariate Time-Series Anomaly Detection in IoT Systems
University of Technology Sydney(悉尼科技大学);FPT University(越南邮电大学);Hanoi University of Science and Technology(河内科技大学)
研究物联网系统多变量时间序列异常检测问题,提出FedKAD框架,通过轻量级滑动窗口库普曼表示学习正常时间动态,经联邦训练优化共享表示,实验表明其检测性能良好且适用于资源受限的边缘设备。
2026-07-13 cs.LG eess.SP
CSIT-Free Model Aggregation for Federated Edge Learning via Reconfigurable Intelligent Surface
The Chinese University of Hong Kong(香港中文大学);the University of Electronic Science and Technology of China(电子科技大学)
针对FEEL系统中CSIT不可用的空中模型聚合问题,提出利用RIS对齐级联信道并联合优化RIS与接收机,以凸差分算法求解非凸问题,达到接近基于CSIT方案的精度。
2021-07-25 cs.IT cs.LG cs.NI
Reconfigurable Intelligent Surface Empowered Over-the-Air Federated Edge Learning
The Chinese University of Hong Kong(香港中文大学);University of Electronic Science and Technology of China(电子科技大学)
本文针对空中联邦边缘学习面临的掉队者、通信开销和隐私泄露问题,综述并探讨利用可重构智能表面提升其性能的方案与研究方向。
2022-07-20 cs.IT cs.LG cs.NI
Reconfigurable Intelligent Surface Enabled IoT Networks in Generalized Fading Channels
本文研究了一种在广义衰落信道下采用可重构智能表面(RIS)的物联网(IoT)网络。受基于RIS的传输的巨大潜力的启发,我们研究了一个启用RIS的物联网网络,其源节点采用基于RIS的接入点。该系统是参照一个接收机发射机对建模和Fisher-Snedecor F模型被采用来分析复合衰落和阴影信道。推导了系统的平均容量、平均误比特率和中断概率的闭式表达式。Monte-Carlo模拟提供了整个验证结果。本研究中调查和报告的结果扩展了新兴文献中关于支持RIS的技术的早期结果,并为评估最常见的多径衰落信道上支持RIS的基本物联网网络提供了一个框架。结果表明,采用一个支持RIS的接入点的明显好处,以及在分析网络上的衰落和阴影的影响所得出的表达式的通用性。结果进一步表明,对于支持RIS的物联网网络,需要在增加RIS小区的成本和收益与其他参数(例如增加发射功率)之间进行平衡,特别是在低SNR和/或高到中等衰落/阴影严重程度下。
2019-12-12 eess.SP
A VHetNet-Enabled Asynchronous Federated Learning-Based Anomaly Detection Framework for Ubiquitous IoT
物联网异常检测是入侵检测、设备活动分析、安全监管等多个领域需要的主要智能服务。然而,异构分布的数据和资源受限的终端节点提出了挑战,现有的异常检测模型。高空平台站(High Altitude Platform Station,HAPS)和无人机(Unmanned Aerial Vehicles,UAV)作为垂直异构网络(Vertical HetNets,VHetNet)的重要组成部分,具有部署灵活、资源多维的优势,在泛在物联网系统的感知、计算、存储和通信应用中具有巨大潜力。在本文中,我们提出了一种新的VHetNet启用异步联邦学习(AFL)框架,使分散的无人机协同训练全球异常检测模型。在VHetNet支持的AFL框架中,HAPS作为中央空中服务器运行,并且由于其覆盖范围广以及强大的存储和计算能力,在UAV中训练的本地模型被上传到HAPS以进行全局聚合。我们在AFL框架中引入了无人机选择策略,以防止局部模型质量低、能耗大的无人机影响全局模型的学习效率和检测精度。为了保证无人机与HAPS之间传输的安全性,我们在无人机的局部模型参数中加入设计噪声,以实现差分隐私。此外,我们提出了一种基于复合动作演员评论家(CA2C)的联合设备关联,无人机选择和无人机轨迹规划算法,以进一步提高整体联邦执行效率和检测模型的准确性。在真实数据集上进行的大量实验表明,该算法能够以较短的联邦执行时间和较低的能耗实现…
2023-03-06 cs.NI eess.SP
Microsecond Federated SVD on Grassmann Manifold for Real-time IoT Intrusion Detection
提出无监督联邦学习框架 FedSVD,结合 SVD 与 Grassmann 流形优化,在低功耗设备上实现低通信、低计算的实时物联网已知与未知入侵检测,性能媲美深度学习基线且推理延迟降低逾10倍。
2025-10-21 eess.SP
Energy Efficient Federated Learning in Integrated Fog-Cloud Computing Enabled Internet-of-Things Networks
University of British Columbia(不列颠哥伦比亚大学)
研究了在集成雾云计算的物联网网络中降低联邦学习能耗的资源分配方案。在设想的系统中,物联网设备通过多个雾接入点(F-AP)与集中式云服务器(CS)连接。我们考虑两种不同的场景来训练局部模型。在第一种场景中,在IoT设备处训练本地模型,并且F-AP将本地模型参数上传到CS。在第二种场景中,基于从IoT设备收集的数据在F-AP处训练本地模型,并且F-AP与CS协作以更新模型参数。我们的目标是尽量减少这两种情况下的整体能源消耗的FL时间限制。为了实现这一目标,我们设计了物联网设备与F-AP的调度、发射功率分配、设备和F-AP处的计算频率划分的联合优化,并将其解耦为两个子问题。在第一个子问题中,我们优化了物联网设备调度和功率分配,而在第二子问题中,我们优化了计算频率划分。对于每个场景,我们开发了一个基于冲突图的解决方案来迭代解决这两个子问题。仿真结果表明,所提出的两种方案实现了相当大的性能增益方面的能量消耗最小化。所呈现的仿真结果有趣地揭示,对于大量IoT设备和大数据大小,在IoT设备而不是F-AP处训练本地模型更节能。
2021-07-07 cs.LG eess.SP
Federated Learning for Internet of Things: A Comprehensive Survey
物联网(IoT)正在渗透我们日常生活的许多方面,人工智能(AI)支持的智能服务和应用程序正在激增。传统上,人工智能技术需要集中的数据收集和处理,由于现代物联网网络的高度可扩展性和日益增长的数据隐私问题,这在现实应用场景中可能不可行。联合学习(FL)已经成为一种分布式协作AI方法,可以通过允许在分布式物联网设备上进行AI训练而无需数据共享来实现许多智能物联网应用。在本文中,我们对FL在物联网网络中的新兴应用进行了全面的调查,从介绍FL和物联网的最新进展开始,讨论它们的集成。特别是,我们探索和分析了FL在实现各种物联网服务方面的潜力,包括物联网数据共享、数据卸载和缓存、攻击检测、本地化、移动人群感知以及物联网隐私和安全。然后,我们对FL在各种关键物联网应用中的使用进行了广泛的调查,例如智能医疗保健,智能交通,无人机(UAV),智能城市和智能工业。还强调了从FL-IoT服务和应用的审查中吸取的重要经验教训。我们通过强调这一蓬勃发展的领域目前面临的挑战和未来研究的可能方向来完成这项调查。
2021-04-16 eess.SP
Differentially Private Federated Learning via Reconfigurable Intelligent Surface
ShanghaiTech University(上海科技大学)
联邦学习(FL)作为一种破坏性的机器学习范式,能够在分散的本地数据集上协作训练全局模型,而无需共享它们。它涵盖了从物联网(IoT)到生物医学工程和药物发现的广泛应用。为了支持无线网络上的低延迟和高隐私FL,在本文中,我们提出了一个可重构智能表面(RIS)授权的空中FL系统,以缓解学习精度和隐私之间的困境。这是通过同时利用RIS的信道传播可重构性来提高接收信号功率,以及利用空中计算(AirComp)的波形叠加特性来实现快速模型聚合。通过考虑一个实际的情况下,高维本地模型更新跨多个通信块传输,我们的特点的差异私有联邦优化算法的收敛行为。我们进一步制定了一个系统优化问题,以优化学习精度,同时满足隐私和功率约束,通过联合设计的发射功率,人工噪声,并在RIS的相移,其中两步交替最小化框架的开发。仿真结果验证了我们的系统,理论和算法的成就,并表明,RIS可以实现更好的权衡之间的隐私和准确性的空中FL系统。
2022-03-31 cs.CR cs.IT cs.LG
Generative AI-Powered Plugin for Robust Federated Learning in Heterogeneous IoT Networks
Institute of Information & Communications Technology Planning & Evaluation (IITP)-ITRC (Information Technology Research Center)(信息与通信技术规划与评估院(IITP)-ITRC(信息技术研究中心))
本文提出一种生成式AI驱动的联邦学习插件,通过数据增强和平衡采样策略解决异构物联网网络中的非独立同分布数据问题,提升模型收敛速度和鲁棒性。
2025-11-23 cs.LG eess.SP
Federated Learning-Distillation Alternation for Resource-Constrained IoT
Department of Electrical and Electronics Engineering of the Federal University of Santa Catarina(巴西圣卡塔琳娜联邦大学电气与电子工程系);Centre for Wireless Communications(无线通信中心);University of Oulu(奥卢大学)
针对资源受限物联网中联邦学习能耗高、易受干扰的问题,提出FLDA方法,通过交替联邦蒸馏与学习阶段,在降低开销的同时提升精度和收敛速度,节省高达98%能耗。
2025-05-26 cs.LG eess.SP
Federated Learning over Wireless IoT Networks with Optimized Communication and Resources
Royal Institute of Technology (KTH)(皇家理工学院(KTH));Princeton University(普林斯顿大学)
为了充分利用海量的分布式数据和计算资源,网络边缘的机器学习被认为是一种很有前途的技术,特别是对于大规模模型训练。联邦学习(Federated learning,FL)作为协作学习技术的一种范式,因其通信效率高、数据保密性好等优点而受到越来越多的研究关注。由于有损耗的通信信道和有限的通信资源(例如,带宽和功率),研究无线系统上的快速响应和准确的FL方案是令人感兴趣的。因此,我们调查的问题,联合优化的通信效率和资源的FL在无线物联网(IoT)网络。为了降低复杂度,我们将整个优化问题分为两个子问题,即,客户端调度问题和资源分配问题。为了降低FL在无线物联网中的通信开销,提出了一种新的客户端调度策略。为了最大限度地成功的信息交换网络,拉格朗日乘子的方法,首先利用解耦变量,包括功率变量,带宽变量和传输指标。在此基础上,提出了一种基于线性搜索的功率和带宽分配方法。给定适当的超参数,我们证明了所提出的通信有效的联邦学习(CEFL)框架以强线性速率收敛。通过大量的实验,它表明,所提出的CEFL框架大大提高了通信效率和学习性能的训练损失和测试准确性的FL在无线物联网网络相比,一个基本的FL方法与统一的资源分配。
2021-10-22 cs.DC cs.LG eess.SP
Balancing Accuracy and Integrity for Reconfigurable Intelligent Surface-aided Over-the-Air Federated Learning
Beijing University of Posts and Telecommunications(北京邮电大学);Commonwealth Scientific and Industrial Research Organization(联邦科学与工业研究组织)
空中联邦学习(AirFL)允许设备并行训练学习模型,并使用空中计算来同步它们的本地模型。AirFL的完整性是脆弱的,由于模糊的本地模型聚集在空中。本文提出了一种新的框架来平衡AirFL的准确性和完整性,其中多天线设备和基站(BS)与可重构智能表面(RIS)联合优化。主要贡献包括一个新的和非平凡的问题,共同考虑模型的准确性和完整性的AirFL,和一个新的框架,将问题转化为易于处理的子问题。在理想信道状态信息(CSI)下,通过交替优化设备的发射波束形成器、基站的接收波束形成器和RIS配置,新框架最大限度地减小了聚合模型的失真,并保持了局部模型的可恢复性。在不完美CSI下,新框架提供了波束形成器和RIS配置的鲁棒设计,以对抗不可忽略的信道估计误差。实验证明,该新框架可以实现与理想FL相当的精度,同时在完美CSI下保持局部模型可恢复性,并且在不完美CSI下当接收天线数量较少或中等时提高精度。
2022-07-17 cs.IT cs.LG eess.SP
Optimizing Age of Information Through Aerial Reconfigurable Intelligent Surfaces: A Deep Reinforcement Learning Approach
我们研究了将无人机(UAV)与可重构智能表面(RIS)元件集成以被动地将物联网设备(IoTD)采样的信息中继到基站(BS)的好处。为了保持中继信息的新鲜度,以最小化期望信息量(AoI)为目标的优化问题被制定为优化无人机的高度、通信调度和RIS元件的相移。在缺乏物联网设备激活模式的先验知识的情况下,开发了邻近策略优化算法来解决这个混合整数非凸优化问题。数值结果表明,我们提出的算法优于所有其他的AoI。
2020-11-09 eess.SP
Time-constrained Federated Learning (FL) in Push-Pull IoT Wireless Access
针对通信机会有限的异构物联网推挽无线接入,本文用基于效用的模型分析时间约束FL中调度与随机接入的交互,并通过真实数据集仿真揭示设备采样策略对学习效率的影响。
2025-09-01 eess.SP
Collaborative Policy Learning for Dynamic Scheduling Tasks in Cloud-Edge-Terminal IoT Networks Using Federated Reinforcement Learning
Kyungnam University(庆南大学);Sejong University(世宗大学)
本文针对云-边-端IoT网络动态调度任务,提出基于联邦强化学习的协作策略学习框架,通过聚合边缘经验构建中心策略,显著提升学习速度并加速新边缘适应任务。
2023-07-02 cs.AI cs.DC cs.LG
Convergence Analysis and Latency Minimization for Semi-Federated Learning in Massive IoT Networks
针对海量物联网场景下联邦学习时延过高的问题,提出结合网络剪枝与空中计算的半联邦学习范式,分析其收敛上界并设计迭代算法求解收敛约束下的时延最小化问题,仿真验证了方案可降时延且保准确率。
2023-10-04 cs.IT eess.SP math.IT
RISMA: Reconfigurable Intelligent Surfaces Enabling Beamforming for IoT Massive Access
物联网(IoT)在超过5G网络中的大规模接入对传统带宽有限的技术来说是一个艰巨的挑战。毫米波技术(mmWave)--在更恶劣的无线电环境中以更复杂的无线处理器为代价提供大量带宽--是适应大规模物联网的一种有前途的替代方案,但其成本和功耗要求是在实践中广泛采用的障碍。在这种情况下,超材料作为一个关键的创新使能器出现,通过可重新配置的智能表面(RIS)来解决这一挑战。在本文中,我们接受了挑战,并研究了一个超越5G的场景,该场景由多天线基站(BS)组成,该基站在RIS的帮助下为大量单天线用户设备(UE)提供服务,以应对非视距路径。具体来说,我们建立了一个数学框架,以联合优化的预编码策略的BS和RIS参数,以最小化系统的总和均方误差(SMSE)。这种新的方法揭示了方便的属性用于设计两种算法,RISMA和Lo-RISMA,这是能够找到简单而有效的解决方案,我们的问题(前者)或适应实际的限制与低分辨率RISs(后者)。数值结果表明,我们的算法优于传统的基准,不采用RIS(即使低分辨率元表面)的增益跨度从20%到120%的总和速率性能。
2020-07-18 cs.IT eess.SP math.IT
EH-FedSAG: Variance-Reduced Federated Learning with Energy-Aware Participation in Energy-Harvesting IoT
University of Oulu(奥卢大学);Federal University of Santa Catarina(圣卡塔琳娜联邦大学)
针对能量采集网络中设备参与不稳定和通信成本高的问题,提出基于服务器存储的方差缩减方法EH-FedSAG,在统一仿真框架下与EH-FedAvg对比,实验表明EH-FedSAG在测试精度和训练方差上均优于EH-FedAvg,尤其在能量稀缺和非独立同分布数据下优势更明显。
2026-06-18 eess.SP
HoloFed: Environment-Adaptive Positioning via Multi-band Reconfigurable Holographic Surfaces and Federated Learning
HoloFed利用多频段可重构全息表面和联邦学习,通过优化波束成形与协作训练,实现高精度环境自适应定位,误差方差降低57%。
2023-10-10 cs.SY eess.SP eess.SY