FedCAP: Robust Federated Learning via Customized Aggregation and Personalization
University of Texas at Dallas(德克萨斯大学达拉斯分校);Microsoft(微软公司);Lehigh University(里海大学);Florida International University(佛罗里达国际大学)
本文提出FedCAP框架,通过模型更新校准、定制化聚合规则和基于欧几里得范数的异常检测来抵抗数据异质性及拜占庭攻击,并结合客户端个性化进一步提升鲁棒性。
2024-10-16 cs.AI cs.CR cs.LG
MoCFL: Mobile Cluster Federated Learning Framework for Highly Dynamic Network
针对高度动态移动集群中客户端频繁波动导致的数据漂移与鲁棒性挑战,提出了MoCFL框架,通过引入亲和矩阵增强特征聚合并融合历史特征以缓解灾难性遗忘,在UNSW-NB15数据集上展现出卓越的鲁棒性与准确性。
2025-03-03 cs.AI cs.LG
FLSys: Toward an Open Ecosystem for Federated Learning Mobile Apps
New Jersey Institute of Technology(新泽西理工学院);Qualcomm Incorporated(高通公司);Kent State University(肯特州立大学)
本文介绍了FLSys的设计、实现和评估,FLSys是一个移动云联邦学习(FL)系统,它可以成为FL模型和应用程序开放生态系统的关键组件。FLSys旨在通过移动传感数据在智能手机上工作。它平衡了模型性能和资源消耗,容忍通信故障,并实现了可扩展性。在FLSys中,具有不同FL聚合方法的不同DL模型可以由不同的应用程序同时训练和访问。此外,FLSys还为第三方应用程序开发人员提供高级隐私保护机制和通用API,以访问FL模型。FLSys采用模块化设计,在Android和AWS云上实现。我们与人类活动识别(HAR)模型共同设计了FLSys。HAR传感数据是在4个月的时间内从100多名大学生中收集的。我们实现了HAR-Wild,这是一种为移动设备量身定制的CNN模型,具有数据增强机制,以缓解非独立和相同分布数据的问题。一个情感分析模型也被用来证明FLSys有效地支持并发模型。本文报告了我们使用模拟、Android/Linux仿真和Android手机进行广泛实验的经验和教训,这些实验证明FLSys实现了良好的模型实用性和实际系统性能。
2023-03-11 cs.AI cs.DC cs.LG
Towards Optimal Customized Architecture for Heterogeneous Federated Learning with Contrastive Cloud-Edge Model Decoupling
Southwestern University of Finance and Economics(西南财经大学);Beijing University of Posts and Telecommunications(北京邮电大学);City University of Hong Kong(香港城市大学)
针对异构联邦学习中的非独立同分布数据与通信开销问题,提出 FedCMD 云边模型解耦框架,利用 Wasserstein 距离动态选择个性化层并加权聚合,在十个基准上优于九种现有方法。
2024-03-04 cs.AI cs.LG
FGLP: A Federated Fine-Grained Location Prediction System for Mobile Users
New Jersey Institute of Technology(新泽西理工学院);AT&T Labs(AT&T实验室)
智能手机上的细粒度位置预测可用于提高应用程序/系统性能。应用场景包括根据预测用户位置处的5G网络质量进行视频质量自适应,以及基于预测用户位置加速内容渲染的增强现实应用。这些用例需要与GPS误差相同范围的预测误差,并且没有现有的位置预测工作可以达到这种精度水平。我们提出了一个系统的细粒度位置预测(FGLP)的移动用户,基于手机上收集的GPS跟踪。FGLP有两个组成部分:一个联邦学习框架和一个预测模型。该框架在用户的手机上运行,也在一个服务器上运行,该服务器协调系统中所有用户的学习。FGLP将用户位置数据表示为抽象2D空间中的相对点,这使得能够跨不同的物理空间进行学习。该模型融合了双向长短期记忆(BiLSTM)和卷积神经网络(CNN),其中BiLSTM学习移动用户的速度和方向,而CNN学习用户移动偏好等信息。FGLP使用联邦学习来保护用户隐私并减少带宽消耗。我们使用超过60万用户的数据集进行的实验结果表明,FGLP在预测准确性方面优于基线模型。我们还证明了FGLP与迁移学习结合使用效果很好,这使得模型具有可重用性。最后,在几种类型的Android手机上的基准测试结果证明了FGLP在现实生活中的可行性。
2021-06-13 cs.AI cs.DC cs.LG
Auction Based Clustered Federated Learning in Mobile Edge Computing System
School of Computer Science and Technology, Harbin Institute of Technology(哈尔滨工业大学计算机科学与技术学院);Cyberspace Security Research Center, Peng Cheng Laboratory(鹏城实验室网络空间安全研究中心);School of Electrical and Data Engineering, University of Technology Sydney(悉尼科技大学电气与数据工程学院);Department of Computer Science and Technology, Fuzhou University(福州大学计算机科学与技术学院);Department of Computer Science, Electrical and Space Engineering, Lulea University of Technology(吕勒奥理工大学计算机、电气与空间工程系)
近年来,移动客户端的计算能力和存储能力有了很大的提高,可以有效地在本地处理一些应用。联邦学习是一种很有前途的分布式机器学习解决方案,它使用本地计算和本地数据来训练人工智能(AI)模型。将本地计算和联邦学习相结合,可以在充分利用移动客户端资源的同时,在保证本地数据隐私的前提下,训练出强大的AI模型。然而,局部数据的异构性,即非独立同分布(Non-IID)和局部数据规模的不均衡性,可能会成为阻碍联邦学习在移动边缘计算(MEC)系统中应用的瓶颈。受此启发,我们提出了一种基于集群的客户端选择方法,可以生成一个联邦虚拟数据集,满足全球分布,以抵消数据异构性的影响,并证明了所提出的计划可以收敛到一个近似的最优解。在此基础上,提出了一种基于拍卖的客户选择策略,充分考虑了系统的能量异质性,并给出了该策略的纳什均衡解,以均衡能量消耗,提高收敛速度.仿真结果表明,我们提出的选择方法和基于拍卖的联邦学习可以实现更好的性能与卷积神经网络模型(CNN)在不同的数据分布。
2021-03-12 cs.AI cs.LG
To Talk or to Work: Flexible Communication Compression for Energy Efficient Federated Learning over Heterogeneous Mobile Edge Devices
Xidian University(西安电子科技大学);Institute of Computing Technology, Chinese Academy of Sciences(中国科学院计算技术研究所);University of Houston(休斯顿大学)
机器学习、无线通信和移动硬件技术的最新进展有望在大规模移动边缘设备上实现联邦学习(FL),这为众多智能移动应用开辟了新的视野。尽管有潜在的好处,FL由于周期性的全球同步和连续的本地训练,对参与设备施加了巨大的通信和计算负担,对电池受限的移动设备提出了巨大的挑战。在这项工作中,我们的目标是在移动边缘网络上提高FL的能源效率,以适应异构参与设备,而不牺牲学习性能。为此,我们开发了一个收敛保证FL算法,使灵活的通信压缩。在导出的收敛界的指导下,我们设计了一个压缩控制方案来平衡本地计算的能量消耗(即,“工作”)和无线通信(即,(二)从长期学习的角度。特别是,压缩参数精心选择FL参与者适应他们的计算和通信环境。大量的模拟使用各种数据集进行验证我们的理论分析,结果也表明所提出的方案在节能的有效性。
2020-12-22 cs.AI cs.LG
Blockchain-Based Federated Learning in Mobile Edge Networks with Application in Internet of Vehicles
School of Electronics and Information, Tongji University(同济大学电子与信息工程学院)
车联网系统中数据规模的迅速增长,为通过数据共享提高新兴应用的服务质量开辟了新的可能性。然而,隐私问题是数据提供商在传统车联网网络中共享私人数据的主要瓶颈。为此,联邦学习(FL)作为一种新兴的学习范式,数据提供者只发送基于本地原始数据训练的本地模型更新,而不上传任何原始数据,最近被提出来构建隐私保护的数据共享模型。然而,通过分析数据提供者上传的本地模型更新的差异,仍然会泄露隐私信息,当部分联邦节点执行恶意行为时,系统性能无法得到保证。此外,随着车联网系统中终端设备的快速增加,传统的基于云的FL对通信开销提出了挑战。所有这些问题启发我们在本文中提出了一个自治的区块链授权的隐私保护FL框架,其中移动边缘计算(MEC)技术自然地集成到车联网系统中。
2021-03-01 cs.AI cs.CR
Federated Learning in Mobile Networks: A Comprehensive Case Study on Traffic Forecasting
Democritus University of Thrace(德谟克利特色雷斯大学);Imperial College London(帝国理工学院);Centre Tecnològic de Telecomunicacions de Catalunya (CTTC/CERCA)(加泰罗尼亚电信技术中心(CTTC/CERCA));Nokia Bell Labs(诺基亚贝尔实验室);IMT Atlantique(大西洋电信学校);Inria(法国国家信息与自动化研究所);LS2N(南特计算机科学与实验室(注:此处LS2N为实验室,按要求保留独立机构名))
本文基于巴塞罗那基站真实数据开展联邦流量预测案例研究,系统评估聚合、异常值、客户端影响、个性化与外生数据,并兼顾准确性和可持续性。
2024-12-05 cs.AI cs.LG
Lightwave Power Transfer for Federated Learning-based Wireless Networks
联邦学习(FL)最近被提出作为一种新技术,用于以分布式方式训练共享机器学习模型,同时尊重数据隐私。然而,在无线网络中实现FL可能会显着减少能源受限的移动设备的寿命,由于他们参与建设的共享学习模型。为了解决这个问题,我们提出了一种新的方法在物理层的基础上的应用光波功率传输的FL为基础的无线网络和资源分配方案来管理网络的功率效率。因此,我们制定相应的优化问题,然后提出一种方法来获得最优解。数值结果表明,该方案可以提供足够的能量,移动终端执行FL任务,而不使用任何权力从自己的电池。因此,所提出的方法可以支持基于FL的无线网络,以克服移动设备中的能量有限的问题。
2020-04-11 cs.AI cs.IT cs.SY
Hierarchical Personalized Federated Learning Over Massive Mobile Edge Computing Networks
Singapore University of Design and Technology(新加坡科技设计大学);East China Normal University(华东师范大学);Zhejiang University(浙江大学)
个性化联邦学习(PFL)是一种新的联邦学习(FL)范式,特别适合解决移动边缘计算(MEC)网络中各种移动用户设备(UE)带来的异构性问题。然而,由于UE数量的不断增加及其带来的复杂的管理工作,期望将PFL算法从其传统的两层框架切换到多层框架。在本文中,我们提出了分层PFL(HPFL),在大规模MEC网络上部署PFL的算法。HPFL中的UE被划分为多个簇,并且每个簇中的UE将其本地更新同步地转发到边缘服务器(ES)以用于边缘模型聚合,而ES将其边缘模型半异步地转发到云服务器以用于全局模型聚合。上述训练方式导致在每轮中的训练损失与轮延迟之间的折衷。HPFL结合了训练损失最小化和轮延迟最小化的目标,同时在分层学习框架中联合确定最优带宽分配以及ES调度策略。大量的实验表明,HPFL不仅保证了分层聚合框架的收敛性,而且在轮训练损失最大化和轮延迟最小化方面具有优势。
2023-03-19 cs.AI cs.DC cs.LG
Towards Efficient Federated Learning of Networked Mixture-of-Experts for Mobile Edge Computing
本文提出网络混合专家联邦学习框架,旨在解决移动边缘计算中大规模模型训练与边缘设备资源限制之间的矛盾,通过整合监督与自监督学习提升效率与隐私保护。
2026-03-08 cs.AI cs.LG cs.NI
Zone-based Federated Learning for Mobile Sensing Data
New Jersey Institute of Technology(新泽西理工学院);Qualcomm Incorporated(高通公司);Kent State University(肯特州立大学)
移动应用程序(如mHealth和健康应用程序)可以受益于使用智能手机或可穿戴设备收集的移动传感数据训练的深度学习(DL)模型。然而,目前还没有一种移动感知DL系统能够在适应用户移动行为的同时实现良好的模型精度,随着用户数量的增加而扩展,并保护用户数据隐私。我们提出了基于区域的联邦学习(ZoneFL)来满足这些要求。ZoneFL将物理空间划分为映射到移动边缘云系统架构的地理区域,以获得良好的模型准确性和可扩展性。每个区域都有一个联合训练模型,称为区域模型,它可以很好地适应该区域中用户的数据和行为。受益于FL设计,在ZoneFL培训期间保护用户数据隐私。我们提出了两种新的基于区域的联邦训练算法,以优化区域模型,用户的移动性行为:区域合并和分裂(ZMS)和区域梯度扩散(ZGD)。ZMS通过合并相邻区域或将大区域拆分为较小区域来调整区域地理分区,从而优化区域模型。与ZMS不同的是,ZGD保持固定的区域,并通过合并从相邻区域的数据导出的梯度来优化区域模型。ZGD使用自注意机制来动态控制一个区域对其邻居的影响。大量的分析和实验结果表明,ZoneFL显着优于传统FL在两个模型的心率预测和人体活动识别。此外,我们还开发了一个使用Android手机和AWS云的ZoneFL系统。该系统被用于心率预测现场研究,有63名用户,为期4个月,我们证明了ZoneFL在现实生活中的可行性。
2023-03-10 cs.AI cs.DC cs.LG
One-Shot Federated Learning with Neuromorphic Processors
University of California, Irvine(加州大学欧文分校)
由于功耗非常低,在移动设备中使用神经形态处理器来解决机器学习问题是传统冯诺依曼处理器的一种有前途的替代方案。联邦学习使移动设备等实体能够协作学习共享模型,同时将其训练数据保持在本地。此外,联邦学习是一种安全的学习方式,因为只有模型权重需要在模型之间共享,从而保持数据的私密性。在这里,我们展示了联邦学习在神经形态处理器中的有效性。神经形态处理器受益于协作学习,在单个处理器模型上实现一次性学习手势识别任务的最新准确性,同时保护本地数据隐私。
2020-11-01 cs.AI cs.LG
FedMABench: Benchmarking Mobile Agents on Decentralized Heterogeneous User Data
Zhejiang University(浙江大学);Shanghai AI Laboratory(上海人工智能实验室);Shanghai Jiao Tong University(上海交通大学)
本文提出首个面向异构场景的移动智能体联邦训练与评估基准FedMABench,涵盖多数据集、多算法、多模型和多应用,并通过实验揭示了联邦算法优于本地训练等关键发现。
2025-03-07 cs.AI cs.LG
Federated Learning for LLMs over Mobile Networks: Issues and Solutions in the RAN Transport
Tecip Institute, Scuola Superiore Sant’Anna(圣安娜高等学校Tecip研究所);Saint Louis University(圣路易斯大学)
本文针对移动RAN中联邦大语言模型微调产生的异步通信负载问题,提出将RAN作为学习感知流量整形器,通过gNB网络内聚合和光连接动态配置,实现高效传输资源调度。
2026-10-02 cs.AI cs.NI
Energy and Spectrum Efficient Federated Learning via High-Precision Over-the-Air Computation
Beijing University of Posts and Telecommunications(北京邮电大学);University of Houston(休斯顿大学);Louisiana State University(路易斯安那州立大学);Shandong Artificial Intelligence Institute(山东省人工智能研究院);Qilu University of Technology (Shandong Academy of Sciences)(齐鲁工业大学(山东省科学院))
联邦学习(FL)使移动设备能够协作学习共享预测模型,同时将数据保存在本地。然而,实际上在移动设备上部署FL存在两个主要的研究挑战:(i)巨大尺寸梯度的频繁无线更新与有限的频谱资源,以及(ii)训练期间的高能耗FL通信和本地计算与电池受限的移动设备。为了解决这些挑战,在本文中,我们提出了一种新的多位空中计算(M-AirComp)方法,用于FL中本地模型更新的频谱高效聚合,并进一步提出了一种用于移动设备的节能FL设计。具体而言,M-AirComp中设计并集成了高精度数字调制方案,允许移动设备在多访问通道中同时在选定位置上传模型更新。此外,我们从理论上分析了我们的FL算法的收敛性。在FL收敛分析的指导下,我们制定了联合传输概率和局部计算控制优化,旨在最小化总体能耗(即,大量的仿真结果表明,我们提出的方案优于现有的频谱利用率,能源效率和学习精度方面。
2022-08-15 cs.AI cs.LG
Blockchain and Federated Edge Learning for Privacy-Preserving Mobile Crowdsensing
Indiana University-Purdue University Indianapolis(印第安纳大学与普渡大学印第安纳波利斯联合分校);Shandong University(山东大学)
移动人群感知(MCS)依靠大量工作人员的移动性,帮助请求者以更大的灵活性和更低的成本完成各种感知任务。然而,对于传统的MCS,用于原始数据传输的通信资源的大量消耗以及对数据存储和计算能力的高要求阻碍了具有有限资源的潜在请求者使用MCS。为了促进MCS的广泛应用,我们提出了一种新的MCS学习框架,该框架利用区块链技术和基于联邦学习(FL)的边缘智能新概念,该框架涉及四个主要实体,包括请求者、区块链、边缘服务器和作为工作者的移动设备。尽管有几项关于基于区块链的MCS和基于区块链的FL的研究,但它们无法解决MCS在适应资源受限的请求者方面的基本挑战,也无法解决请求者和工作者参与学习过程所带来的隐私问题。为了填补空白,四个主要程序,即,任务发布、数据感知和提交、学习返回最终结果以及支付结算和分配,旨在解决内部和外部威胁带来的主要挑战,例如恶意边缘服务器和不诚实的请求者。具体而言,提出了一种基于机制设计的数据提交规则,以保证移动设备的数据隐私在边缘服务器上得到真实的保护;阐述了基于联盟区块链的FL,以保护分布式学习过程;并设计了一种合作强制控制策略,以获得请求者的全额支付。进行了大量的模拟,以评估我们所设计的方案的性能。
2021-10-16 cs.AI cs.CR
Federated Multi-Agent Actor-Critic Learning for Age Sensitive Mobile Edge Computing
Beijing National Research Center for Information Science and Technology(北京信息科学与技术国家研究中心);Tsinghua University(清华大学);Hong Kong University of Science and Technology(香港科技大学);Pengcheng Lab(鹏城实验室)
作为一种新兴技术,移动边缘计算(MEC)为各种分布式通信计算系统(如工业物联网(IoT),车载通信,智慧城市等)引入了一种新的处理方案。在这项工作中,我们主要关注MEC系统的实时性,其中数据和计算任务的新鲜度非常重要。首先,我们建立了一类年龄敏感的MEC模型,并定义了兴趣的平均信息年龄(AoI)最小化问题。然后,提出了一种新的基于策略的多智能体深度强化学习(RL)框架,称为异构多智能体演员评论家(H-MAAC),作为一个范例,在所研究的MEC系统,其中边缘设备和中央控制器通过自己的观察学习的交互策略的联合协作。为了提高系统的性能,我们将边缘联邦学习模式引入到多智能体协作中,从理论上保证了学习收敛的优势,并开发了相应的在线算法。据我们所知,这是第一个联合MEC协作算法,结合了边缘联邦模式与多智能体演员-评论家强化学习。此外,我们评估所提出的方法,并将其与经典的基于RL的方法进行比较。结果表明,该框架不仅在平均系统年龄上优于基线,而且提高了训练过程的稳定性。此外,仿真结果为边缘联邦协作下的系统设计提供了一些创新的视角。
2021-05-11 cs.AI cs.LG cs.MA
Demo: FedCampus: A Real-world Privacy-preserving Mobile Application for Smart Campus via Federated Learning & Analytics
Duke Kunshan University(昆山杜克大学)
本文展示 FedCampus,一个基于联邦学习与联邦分析的跨平台智慧校园隐私保护移动应用,已在昆山杜克大学部署 100 块智能手表并完成多项真实任务。
2024-08-31 cs.AI cs.CR cs.DC
Efficient Federated Learning Tiny Language Models for Mobile Network Feature Prediction
Fraunhofer Heinrich Hertz Institute (HHI)(弗劳恩霍夫海因里希·赫兹研究所);Deutsche Telekom AG(德国电信股份公司)
研究提出集成微型语言模型的联邦学习框架,结合NNCodec压缩策略,在Berlin V2X数据集上实现透明压缩并将通信开销降至1%以下,有效支持自治移动网络协作训练。
2025-04-02 cs.AI cs.DC cs.LG
Unsupervised Recurrent Federated Learning for Edge Popularity Prediction in Privacy-Preserving Mobile Edge Computing Networks
Southeast University(东南大学);Purple Mountain Laboratories(紫金山实验室);The University of New South Wales(新南威尔士大学)
如今,无线通信正在迅速重塑整个行业。特别是,移动边缘计算(MEC)作为工业物联网(IIoT)的使能技术,使强大的计算/存储基础设施更接近移动终端,从而显著降低响应延迟。为了在网络边缘获得主动缓存的好处,必须准确了解终端设备之间的流行模式。然而,内容流行度在空间和时间上的复杂性和动态性以及许多IIoT场景中的数据隐私要求对其获取提出了严峻的挑战。在这篇文章中,我们提出了一个无监督和隐私保护的流行度预测框架,用于支持MEC的IIoT。引入了局部和全局流行度的概念,并将每个用户随时间变化的流行度建模为无模型马尔可夫链。在此基础上,提出了一种新的无监督递归联邦学习(URFL)算法,在实现隐私保护和无监督训练的同时预测分布式流行度。仿真结果表明,所提出的框架可以提高预测精度方面的降低均方根误差高达$60.5\%-68.7\%$。此外,还避免了手动标记和侵犯用户数据隐私。
2022-07-06 cs.AI cs.DC cs.LG
ARMOR: Adaptive Resilience Against Model Poisoning Attacks in Continual Federated Learning for Mobile Indoor Localization
Colorado State University(科罗拉多州立大学)
ARMOR提出一种基于持续联邦学习的框架,通过状态空间模型监测和保护全局模型,有效检测和缓解模型中毒攻击,实现实时环境动态适应,实验显示在真实场景中显著降低定位误差。
2026-03-20 cs.AI cs.LG
Accelerating Asynchronous Federated Learning Convergence via Opportunistic Mobile Relaying
University of Miami(迈阿密大学)
针对移动网络中异步联邦学习通信受限问题,提出FedMobile算法,利用客户端间机会中继增加通信机会,实现收敛速率O(1/√NT),并通过实验验证。研究还探讨了中继时机权衡及数据操作以降低成本与增强隐私。
2024-03-17 cs.AI cs.LG
FedLTLib: A Comprehensive Benchmark for Federated Long-Tail Learning
Guangzhou University(广州大学)
针对联邦学习中长尾分布导致尾部类别性能下降的问题,提出综合基准FedLTLib,整合多样数据集和13种算法,实现公平可复现的评估,推动移动计算稳健智能部署。
2026-09-15 cs.AI cs.LG
Straggler-resilient Federated Learning: Tackling Computation Heterogeneity with Layer-wise Partial Model Training in Mobile Edge Network
York University(约克大学)
针对联邦学习中设备计算异构性问题,提出FedPMT方法,让低算力设备训练全局模型子集,实现与FedAvg相近的收敛速率,并显著优于FedDrop,在精度与完成时间间取得更优平衡。
2023-11-16 cs.AI cs.DC cs.LG
Federated Mixture-of-Experts Alignment on Mobile Edge Networks under Data Heterogeneity
Hong Kong JC STEM Lab of Smart City(香港JC STEM实验室);Department of Computer Science, City University of Hong Kong(香港城市大学计算机科学系);School of Computer Science and Technology, Xidian University(西安电子科技大学计算机科学与技术学院);Department of Electrical and Computer Engineering, The University of Hong Kong(香港大学电子与计算机工程系)
本文针对联邦学习中混合专家模型因数据异质性导致的聚合挑战,提出FedAlign-MoE框架,通过路由一致性和专家语义对齐提升模型收敛速度和准确性。
2026-10-07 cs.AI cs.LG
Toward Efficient Federated Learning in Multi-Channeled Mobile Edge Network with Layerd Gradient Compression
Shanghai University of Electric Power(上海电力大学);Xiamen University(厦门大学)
联邦学习(FL)的一个基本问题是如何在高度动态的通信环境下实现最佳模型性能。这个问题可以通过现代边缘设备通常可以经由多个通信信道(例如,4G、LTE和5G)。然而,使边缘设备沿着多个信道向FL服务器发送本地模型的副本是冗余的、耗时的,并且将浪费资源(例如,带宽、电池寿命和货币成本)。在本文中,在视频流的分层编码技术的启发下,我们提出了一种新的FL框架称为分层梯度压缩(LGC)。具体而言,在LGC中,来自设备的局部梯度被编码成若干层,并且每一层沿着不同的通道被发送到FL服务器。FL服务器聚合从设备接收的局部梯度层以更新全局模型,并将结果发送回设备。我们证明了LGC的收敛性,并正式定义了资源有效的联邦学习问题与LGC。然后,我们提出了一种基于学习的算法,用于每个设备动态调整其本地计算(即,局部随机下降的数目)和通信决策(即,不同层的压缩级别和层到信道的映射)。大量实验结果表明,与已有的FL算法相比,LGC算法在获得相似精度的同时,显著减少了训练时间,提高了资源利用率。
2021-09-18 cs.AI cs.DC cs.LG
SAFELOC: Overcoming Data Poisoning Attacks in Heterogeneous Federated Machine Learning for Indoor Localization
Colorado State University(科罗拉多州立大学)
提出SAFELOC框架,通过融合神经网络架构和动态显著性图聚合策略,在异构联邦学习环境中抵御数据投毒攻击,显著降低室内定位误差与推理延迟。
2024-11-13 cs.AI cs.CR cs.LG
Caring Without Sharing: A Federated Learning Crowdsensing Framework for Diversifying Representation of Cities
University of Washington, Bothell(华盛顿大学博塞尔分校)
移动群体感知已经成为研究者大规模收集公民行为数据的主流范式。这些有价值的数据可以用来创建集中式存储库,这些存储库可用于训练高级人工智能(AI)模型,以提供各种服务,从而在各个方面造福社会。尽管数十年的研究已经探索了移动人群感知在激励方面的可行性,并且已经做出了许多尝试来减少参与障碍,但关于共享个人数据的隐私问题仍然存在。最近出现了一种新的途径,使MCS范式转向更隐私保护的协作学习,即联邦学习。在本文中,我们将为这一新兴范式提供一个框架。我们展示了我们的框架的功能,通过案例研究多样化的两个视觉算法,通过学习普通人行道障碍物的表示,作为增强视障导航的一部分。
2022-01-20 cs.AI cs.CY cs.LG
Content Popularity Prediction in Fog-RANs: A Clustered Federated Learning Based Approach
Southeast University(东南大学);Harbin Institute of Technology(哈尔滨工业大学);University of Oulu(奥卢大学)
研究了雾天无线接入网中的内容流行度预测问题。基于聚类联邦学习,我们提出了一种新的移动感知的流行度预测策略,它集成了本地用户和移动用户的内容流行度。对于本地用户,通过学习本地用户和内容的隐藏表示来预测内容流行度。通过将邻居信息与自身信息相结合,生成本地用户和内容的初始特征。然后,双通道神经网络(DCNN)模型被引入到学习的隐藏表示从初始特征产生深潜在特征。对于移动用户,通过用户偏好学习来预测内容流行度。为了区分内容流行度的区域变化,采用聚类联邦学习(CFL),这使得具有相似区域类型的雾接入点(F-AP)能够彼此受益,并为每个F-AP提供更专业的DCNN模型。仿真结果表明,我们提出的政策取得了显着的性能改善比传统的政策。
2022-06-13 cs.AI cs.LG cs.NI
FedEdge AI-TC: A Semi-supervised Traffic Classification Method based on Trusted Federated Deep Learning for Mobile Edge Computing
Nanjing University of Post&Telecommunications(南京邮电大学)
针对5G CPE中AI流量分类的数据依赖、标注成本、隐私、资源受限及黑箱可信问题,提出融合联邦学习、VAE-CNN半监督分类与XAI-Pruning压缩的FedEdge AI-TC框架。
2023-08-14 cs.AI cs.CR cs.NI
Federated Learning for 6G: Paradigms, Taxonomy, Recent Advances and Insights
University of Quebec at Montreal(魁北克大学蒙特利尔分校);Virginia Tech(弗吉尼亚理工大学)
本文综述联邦学习在6G协议栈各层及无线运营中的应用价值,梳理范式、分类、热点与未来方向。
2023-12-07 cs.AI cs.GT cs.LG