Federated Prompt Learning for Weather Foundation Models on Devices
Australian Artificial Intelligence Institute, FEIT, University of Technology Sydney(悉尼科技大学澳大利亚人工智能研究院)
本文提出FedPoD框架,通过自适应提示调优和动态图建模解决设备端气象预报中联邦学习面临的数据异构性与通信过载挑战,实现高效协作与模型定制。
2024-04-22 cs.LG
Integrated Novelty Detection Systems: From Sensor Networks to Multi-Novelty Computer Vision
Oregon State University(俄勒冈州立大学)
本研究针对天气传感器网络与计算机视觉领域的新奇检测问题,评估现有方法的缺陷,提出三种质量控制技术与DCA基线系统,并构建NOVEL-SS数据集以提升新奇检测系统的鲁棒性与适应性。
2026-10-14 cs.CV cs.LG
Decentralized Weather Forecasting via Distributed Machine Learning and Blockchain-Based Model Validation
School of Computing, Newcastle University, United Kingdom(计算学院,新卡斯尔大学,英国)
针对中心化天气预报系统的安全与扩展性缺陷,提出结合联邦学习与Ethereum区块链的去中心化框架,利用声誉投票与IPFS增强安全性,实验表明其提升了预测准确性、系统弹性与可扩展性。
2025-08-14 cs.AI cs.CR cs.LG
Model-Agnostic Hybrid Numerical Weather Prediction and Machine Learning Paradigm for Solar Forecasting in the Tropics
National University of Singapore(新加坡国立大学);Institute of High Performance Computing(高性能计算研究院)
数值天气预报(NWP)和机器学习(ML)方法是太阳预报的常用方法。然而,数值预报模式有多种可能的物理参数化,这需要特定地点的数值预报优化。当区域数值预报模式与具有不同可能参数化的全球气候模式一起使用时,这就更加复杂了。在这项研究中,提出了一种替代方法,并评估了四个辐射模型。天气研究及预报(WRF)模式以全球及区域模式运行,以提供太阳辐照度的估计。然后使用ML对该估计进行后处理,以提供最终预测。WRF的归一化均方根误差通过这种ML误差校正模型降低了40-50%。使用CAM,GFDL,新戈达德和RRTMG辐射模型得到的结果进行了比较后,这种校正,否定了WRF参数化调整的需要。其他模型结合附近的位置和传感器数据也进行了评估,后者是特别有前途的。
2021-12-09 cs.LG physics.ao-ph
Maximising Weather Forecasting Accuracy through the Utilisation of Graph Neural Networks and Dynamic GNNs
天气预报是应对全球气候变化的重要任务。天气预报需要分析异构气象传感器生成的多变量数据。这些传感器包括地面传感器、无线电探空仪和安装在卫星上的传感器等,为了分析这些传感器产生的数据,我们使用基于图神经网络(GNNs)的天气预报模型。GNN是基于图学习的模型,在许多机器学习方法中表现出强大的经验性能。在这项研究中,我们研究了使用GNNs和传统的基于机器学习的模型进行天气预报的性能。
2023-02-08 cs.LG
A Distributed Approach to Meteorological Predictions: Addressing Data Imbalance in Precipitation Prediction Models through Federated Learning and GANs
Data Science and Analytics Institute, University of Oklahoma(俄克拉荷马大学数据科学与分析研究所);University of Oklahoma(俄克拉荷马大学)
本研究提出在集中式和联邦学习设置下采用SMOTE和GAN等数据增强技术解决天气数据不平衡问题,提高对罕见关键天气事件的分类准确性,同时保障去中心化数据的隐私与完整性。
2023-10-19 cs.AI cs.LG
Tackling Data Heterogeneity in Federated Time Series Forecasting
The University of Queensland(昆士兰大学);Beijing University of Posts and Telecommunications(北京邮电大学);City University of Hong Kong(香港城市大学);Griffith University(格里菲斯大学);Institute of Science Tokyo(东京科学大学)
针对联邦时间序列预测中的数据异质性问题,提出Fed-TREND框架,通过生成两类合成数据增强客户端训练一致性并优化全局模型,兼容主流模型且在多数据集实验中证明有效。
2024-11-24 cs.CR cs.IR cs.LG
Enhancing Stratospheric Weather Analyses and Forecasts by Deploying Sensors from a Weather Balloon
Carnegie Mellon University(卡内基梅隆大学);Microsoft Corporation(微软公司)
分析和预测平流层天气状况的能力是应对气候变化的基础。然而,我们在平流层收集数据的能力受到部署稀疏的气象气球的限制。我们提出了一个框架来收集平流层数据,通过释放气象气球上升的微小传感器设备的轨迹。机器学习的关键挑战是确定何时以及如何部署有限的传感器集合以产生有用的数据集。我们决定何时释放传感器,通过模拟预测与实际平流层条件的偏差作为高斯过程。然后,我们实现了一种新的硬件系统,能够最佳地释放传感器从上升的气象气球。我们通过真实的气象气球飞行以及模拟表明,这种数据工程框架是有效的。
2019-12-04 cs.LG stat.ML
Federated Latent Factor Learning for Recovering Wireless Sensor Networks Signal with Privacy-Preserving
College of Computer and Information Science(计算机与信息科学学院);Southwest University(西南大学);School of Engineering(工程学院);University of Western Australia(西澳大学);College of Food Science(食品科学学院);Chongqing True Flavor Food Co LTD(重庆真味食品有限公司)
针对无线传感器网络数据缺失且隐私保护不足的问题,提出联邦潜在因子学习模型FLFL-SSR,通过传感器级联邦学习和局部空间共享策略,在保护隐私的同时提升信号恢复精度。
2025-04-22 cs.LG
Robust Semantic Segmentation in Adverse Weather Conditions by means of Sensor Data Fusion
Ulm University(乌尔姆大学)
在恶劣天气条件下进行稳健可靠的语义分割对于自动驾驶汽车非常重要,但大多数最先进的方法只能在最佳天气条件下实现高准确率。原因是它们只针对良好的天气条件和给定的噪声模型进行了优化。然而,当数据中存在未知干扰时,大多数算法失效,性能大大下降。仍然获得可靠结果的一种可能性是使用不同的传感器类型(例如相机和激光雷达)来观察环境,并且借助于神经网络来融合传感器数据,因为不同的传感器在不同的天气条件下表现不同。因此,传感器可以通过适当的传感器数据融合来相互补充。然而,基于融合的方法仍然容易受到干扰,不能正确分类受干扰的图像区域。这个问题可以通过一种特殊的训练方法来解决,即所谓的鲁棒学习方法(RLM),一种神经网络学习处理未知噪声的方法。在这项工作中,两种不同的传感器融合架构的语义分割进行了比较和评估的几个数据集。此外,它表明,RLM极大地提高了在恶劣天气条件下的鲁棒性,并取得了良好的效果,虽然没有干扰模型已学习的神经网络。
2019-05-24 cs.CV cs.LG cs.RO
Collaborative System Failure Prognostics via Federated Longitudinal-Survival Modeling
Fowler School of Engineering, Chapman University(查普曼大学福勒工程学院);Grand Valley State University(大峡谷州立大学)
针对分布式系统故障预测难题,提出联合纵向生存建模框架,结合纵向传感器表示学习与客户端可分离离散时间风险目标,多客户端协作训练预测模型,实验表明该框架能提升预测性能并保持与集中训练相当的表现。
2026-07-29 cs.LG
Vehicular Cooperative Perception Through Action Branching and Federated Reinforcement Learning
University of Oulu(奥卢大学);University of the Basque Country UPV/EHU(巴斯克大学);Virginia Tech(弗吉尼亚理工大学)
协同感知在将车辆的感知范围扩展到视线之外方面起着至关重要的作用。然而,在有限的通信资源下交换原始传感数据是不可行的。为了实现有效的合作感知,车辆需要解决以下基本问题:需要共享哪些感知数据?分辨率是多少?用什么车?为了回答这个问题,在本文中,提出了一种新的框架,允许基于强化学习(RL)的车辆关联,资源块(RB)分配,并通过利用基于四叉树的点云压缩机制的合作感知消息(CPM)的内容选择。此外,为了加快跨车辆的训练过程,引入了联邦RL方法。仿真结果表明,RL代理的能力,有效地学习车辆的关联,RB分配,和消息内容的选择,同时最大限度地提高车辆的满意度方面收到的感官信息。结果还表明,联邦强化学习改进了训练过程,与非联邦方法相比,可以在相同的时间内实现更好的策略。
2021-11-18 cs.LG
Federated Multi-task Hierarchical Attention Model for Sensor Analytics
George Mason University(乔治梅森大学);Stevens Institute of Technology(史蒂文斯理工学院)
传感器是现代物联网(IoT)应用不可或缺的一部分。有一个关键的需要,从这些系统的各个传感器获得的异构多变量时间数据的分析。在本文中,我们特别关注的问题,每个传感器的训练数据的稀缺量。我们提出了一种新的联邦多任务层次注意力模型(FATHOM),该模型联合训练来自多个传感器的分类/回归模型。所提出的模型的注意力机制试图从输入中提取特征表示,并学习跨多个传感器的时间维度上的共享表示。使用注意力机制和长短期记忆(LSTM)网络的组合来建模潜在的时间和非线性关系。我们发现,我们提出的方法在活动识别和环境监测数据集的分类和回归设置中优于广泛的竞争基线。我们进一步提供了我们的模型在输入传感器级别和中心时间级别上学习的特征表示的可视化。
2019-05-13 cs.LG stat.ML
FedOpenHAR: Federated Multi-Task Transfer Learning for Sensor-Based Human Activity Recognition
Bogazici University(博阿齐奇大学)
本文提出FedOpenHAR,利用联邦多任务迁移学习同时处理传感器人体活动识别和设备位置识别,在Flower环境中基于DeepConvLSTM和OpenHAR框架实验,实现个性化联邦模型,准确率接近独立训练且优于集中式方法。
2023-11-13 cs.CV cs.LG
FedRAIN-Lite: Federated Reinforcement Algorithms for Improving Idealised Numerical Weather and Climate Models
Department of Applied Mathematics and Theoretical Physics, University of Cambridge(剑桥大学应用数学与理论物理系);School of Mathematical Sciences, Lancaster University(兰卡斯特大学数学科学学院);Department of Computer Science and Technology, University of Cambridge(剑桥大学计算机科学与技术系);Met Office Hadley Centre(英国气象局哈德利中心)
本文提出FedRAIN-Lite联邦强化学习框架,通过将智能体分配给纬度带并周期聚合,在简化气候模型上显著优于静态和单智能体基线,DDPG算法表现最佳,为高复杂度GCM的在线自适应参数学习提供了可扩展路径。
2025-09-24 cs.LG physics.ao-ph
DART: A Server-side Plug-in for Resource-efficient Robust Federated Learning
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
DART是一种服务器端插件,通过在不增加客户端开销的情况下提升联邦学习的鲁棒性,适用于资源受限环境下的稳健联邦学习部署。
2026-03-25 cs.LG
Denoising and Adaptive Online Vertical Federated Learning for Sequential Multi-Sensor Data in Industrial Internet of Things
Peng Cheng Laboratory(鹏城实验室)
针对工业装配线多传感器序列数据的隐私、通信噪声与异构性问题,提出DAO-VFL在线纵向联邦学习算法,并通过遗憾界分析和两个真实数据集验证其优越性能。
2025-01-03 cs.LG cs.NI
Federated Learning for Autoencoder-based Condition Monitoring in the Industrial Internet of Things
Technische Universität Berlin(柏林工业大学)
由于生产机械监测的传感器数据的可用性越来越高,状态监测和预测性维护方法是工业物联网中高效和稳健的制造生产周期的关键支柱。使用机器学习模型通过分析在几个工业环境中收集的各种数据来检测和预测恶化的行为,在最近的工作中显示出有希望的结果,但也经常需要将传感器数据传输到位于云中的集中式服务器。此外,尽管行业站点之间的协作和知识共享带来了很大的好处,特别是在状态监测领域,但由于数据隐私问题,它通常被禁止。为了解决这种情况,我们提出了一种基于Autoencoder的联邦学习方法,该方法利用来自旋转机器的振动传感器数据,允许在位于内部并靠近被监控机器的边缘设备上进行分布式训练。保护数据隐私,同时免除远程站点可能不可靠的网络连接,我们的方法可以跨组织边界进行知识转移,而无需共享监控数据。我们利用两个真实世界的数据集以及多个测试平台进行了评估,结果表明,与以前的结果相比,我们的方法具有竞争力的性能,同时显着降低了资源和网络利用率。
2022-11-14 cs.LG
Dynamic Line Rating using Hyper-local Weather Predictions: A Machine Learning Approach
Tallinn University of Technology(塔林理工大学);Grid Oracle OÜ
针对传统基于传感器的动态线路额定值方法的局限,本研究结合机器学习与超局地天气预报数据,融合地形数据提升精度并引入置信区间控风险,经爱沙尼亚案例验证有效,助力可再生能源并网及电网效率可靠性提升。
2024-05-20 cs.LG cs.SY eess.SY
Federated Sequence-to-Sequence Learning for Load Disaggregation from Unbalanced Low-Resolution Smart Meter Data
Monash University(莫纳什大学)
本文提出利用天气数据与联邦序列到序列学习框架L2GD,在不共享数据的低分辨率智能电表场景下实现12种高低耗能电器的负荷分解,有效处理统计异质性并显著提升NILM性能。
2024-08-15 cs.AI cs.LG eess.SP
SusFL: Energy-Aware Federated Learning-based Monitoring for Sustainable Smart Farms
Virginia Tech(弗吉尼亚理工大学)
提出SusFL系统,通过机制设计优化太阳能传感器客户端选择,在最小化能耗的同时提升疾病监测准确性和系统可靠性,实现可持续智慧农场动物健康监测。
2024-02-15 cs.LG
Multimodal Federated Learning on IoT Data
UK Dementia Research Institute(英国痴呆症研究所);Imperial College London(伦敦帝国理工学院)
联邦学习被提出作为集中式机器学习的替代方案,因为其客户端-服务器结构在现实世界的应用中提供了更好的隐私保护和可扩展性。在诸如具有物联网(IoT)设备的灵巧家庭的许多应用中,客户端上的本地数据从诸如感觉、视觉和音频数据的不同模态生成。现有的联邦学习系统只处理来自单一模态的本地数据,这限制了系统的可扩展性。在本文中,我们提出了一个多模态和半监督的联邦学习框架,训练自动编码器从客户端的不同本地数据模态中提取共享或相关的表示。此外,我们提出了一个多模态FedAvg算法来聚合在不同数据模态上训练的本地自动编码器。我们在服务器上的辅助标记数据的帮助下,将学习的全局自动编码器用于下游分类任务。我们经验性地评估了我们的框架对不同的形式,包括感官数据,深度相机视频,和RGB相机视频。我们的实验结果表明,将多模态数据引入联邦学习可以提高其分类性能。此外,我们可以仅使用来自一种模态的标记数据在服务器上进行监督学习,并将学习的模型应用于测试来自其他模态的数据,以获得不错的F1分数(例如,最好的表现是高于60%),特别是当合并来自单一模式客户和多模式客户的贡献时。
2022-02-18 cs.LG
Federated Learning and Trajectory Compression for Enhanced AIS Coverage
AIT Austrian Institute of Technology(奥地利技术研究院)
VesselEdge通过联邦学习和轨迹压缩技术提升AIS覆盖范围,实现海洋态势感知的增强。
2025-12-03 cs.LG
Federated Learning for Distributed Spectrum Sensing in NextG Communication Networks
Commonwealth Cyber Initiative, Virginia Tech(弗吉尼亚理工大学联邦网络倡议);National Security Institute, Virginia Tech(弗吉尼亚理工大学国家安全研究所)
NextG网络旨在提供与现任用户共享频谱的灵活性,并支持各种频谱监控任务,例如异常检测,故障诊断,用户设备识别和认证。需要无线传感器网络来监测频谱,以在大的部署区域上进行感兴趣的信号传输。每个传感器根据其位置在特定信道条件下接收信号,并相应地训练深度神经网络(DNN)的个体模型以对信号进行分类。为了提高准确度,各个传感器可以彼此交换感测数据或传感器结果,或者与融合中心交换感测数据或传感器结果(诸如在协作频谱感测中)。在本文中,分布式联邦学习多跳无线网络被认为是集体训练DNN信号识别。在分布式联邦学习中,每个传感器将其训练的模型广播给其邻居,从其邻居收集DNN模型,并将其聚合以初始化自己的模型用于下一轮训练。在不交换任何频谱数据的情况下,这个过程会随着时间的推移而重复,从而在网络上构建一个公共DNN,同时保留与在不同位置收集的信号相关联的隐私。针对不同的网络拓扑结构(包括线、星、环、网格和随机网络)和丢包事件,评估了信号分类精度和收敛时间。然后,考虑减少通信开销和能量消耗的传感器随机参与模型更新。结果表明,通过联邦学习将协作频谱感知扩展到一般多跳无线网络是可行的,并表明其对无线网络影响的鲁棒性,从而在低通信开销和能量消耗的情况下保持高精度。
2022-04-06 cs.LG cs.NI
Multi-Frequency Federated Learning for Human Activity Recognition Using Head-Worn Sensors
ETH Zurich(苏黎世联邦理工学院)
本文提出多频率联邦学习方法,用于头戴式传感器的人体活动识别,以解决隐私问题并提升跨设备学习效果。
2025-12-02 cs.DC cs.LG
Federated Learning with Correlated Data: Taming the Tail for Age-Optimal Industrial IoT
Centre for Wireless Communications, University of Oulu(奥卢大学无线通信中心)
虽然工业物联网中的信息传递需要可靠性和延迟保证,但控制器可用信息的新鲜度(由信息年龄(AoI)衡量)对于高性能工业自动化至关重要。在这项工作中的问题是铸造作为传感器的发射功率最小化的峰值AOI的要求和排队等待时间的概率约束。我们进一步描述了尾部行为的延迟广义帕累托分布(GPD)的解决功率分配问题,通过李雅普诺夫优化。由于每个传感器利用自己的数据本地训练的GPD模型,我们将联邦学习,并提出了一个本地模型选择方法,占传感器的训练数据之间的相关性。数值结果表明,发射功率,峰值AOI,延迟的尾部分布之间的折衷。此外,我们验证了所提出的相关性感知的方法选择局部模型在联邦学习超过现有的基线的优越性。
2021-08-17 cs.LG cs.NI
Over-the-Air Federated Learning in Satellite systems
本研究探讨卫星系统中的空中联邦学习,该技术可保障数据隐私安全、利用分布式数据协同学习、降低通信带宽需求,助力构建更智能高效的卫星系统,支撑多领域航天应用。
2023-06-05 cs.LG eess.IV
Federated Deep Learning Meets Autonomous Vehicle Perception: Design and Verification
Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences(中国科学院深圳先进技术研究院);Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));University of New South Wales(新南威尔士大学);Weizmann Institute of Science(魏茨曼科学研究所);Princeton University(普林斯顿大学);Southern University of Science and Technology(南方科技大学);Shenzhen Research Institute of Trustworthy Autonomous Systems(深圳市可信自主系统研究院);University of Macau(澳门大学)
在开放式驾驶场景中,由于角落情况和视觉遮挡,实现类似人类的感知是一项挑战。为了收集罕见和闭塞实例的知识,已经提出了联邦学习辅助的连接自主车辆(FLCAV),其利用车辆网络从车辆和道路传感器捕获的分布式数据建立联合深度神经网络(DNN)。在不需要数据聚合的情况下,FLCAV保护了隐私,同时与传统的集中式学习相比降低了通信成本。然而,它是具有挑战性的,以确定网络资源和道路传感器的位置,多阶段的训练与多模态数据集在多变量场景。本文介绍了FLCAV感知的网络和培训框架。提出了多层图资源分配和车路对比传感器布置方法,分别解决网络管理和传感器部署问题。我们还开发了实现上述系统和方法的软件平台CarlaFLCAV。实验结果证实了所提出的技术与各种基准相比的优越性。
2022-12-05 cs.LG cs.RO
Towards Generalizing Sensorimotor Control Across Weather Conditions
Technical University of Munich(慕尼黑工业大学);Artisense(Artisense公司)
深度学习模型在不同场景下的泛化能力主要取决于注释数据的质量和数量。为模型可能遇到的所有可能场景标记大量数据是不可行的;即使可能。我们提出了一个框架来处理有限的标记训练数据,并证明它的应用基于视觉的车辆控制。我们展示了如何有限的转向角数据,只有一个条件下,可以转移到多个不同的天气情况。这是通过利用教师-学生学习范例中的未标记图像,并辅以图像到图像翻译网络来实现的。翻译网络将图像转移到一个新的领域,而教师提供软监督目标来训练学生在这个领域。此外,我们演示了如何利用辅助网络可以在推理时减少模型的大小,而不会影响准确性。实验表明,我们的方法可以很好地推广到多种不同的天气条件下,只使用一个域的地面真值标签。
2019-07-25 cs.CV cs.LG cs.RO
Federated Self-Supervised Learning of Multi-Sensor Representations for Embedded Intelligence
Eindhoven University of Technology(埃因霍温理工大学);RMIT University(皇家墨尔本理工大学)
智能手机、可穿戴设备和物联网(IoT)设备产生大量数据,由于隐私、带宽限制和高昂的注释成本,这些数据无法积累在集中式存储库中用于学习监督模型。联邦学习为从分散的数据中学习模型提供了一个令人信服的框架,但传统上,它假设标记样本的可用性,而设备上的数据通常是未标记的,或者无法通过用户交互进行注释。为了解决这些问题,我们提出了一种自监督的方法称为\textit{scalogram-signal correspondence learning}基于小波变换学习有用的表示从未标记的传感器输入,如脑电图,血容量脉冲,加速度计,和WiFi信道状态信息。我们的辅助任务需要深度时间神经网络来确定给定的一对信号及其互补视点(即,利用小波变换生成的尺度图)通过优化对比目标而彼此对准或不对准。我们通过多视图策略在不同的公共数据集上广泛评估学习特征的质量,在所有领域都取得了良好的表现。我们证明了从下游任务的未标记输入集合中学习的表示的有效性,通过预训练网络训练线性分类器,在低数据状态下的有用性,迁移学习和交叉验证。我们的方法在完全监督的网络中实现了具有竞争力的性能,并且在中央和联邦上下文中都优于使用自动编码器进行的预训练。值得注意的是,它提高了半监督设置中的泛化能力,因为它通过利用自监督学习减少了所需的标记数据量。
2020-07-25 cs.LG stat.ML
FLFL: Federated Latent Factor Learning for Private Recovery of Spatio-Temporal Signals
Southwest University(西南大学);College of William & Mary(威廉与玛丽学院);Beihang University(北京航空航天大学)
针对无线传感器网络数据缺失和隐私保护问题,提出基于联邦学习的潜在因子模型FLFL,通过上传梯度而非原始数据并融入时空正则化,实现高精度隐私保护信号恢复。
2026-06-23 cs.AI cs.LG
Predicting Train Delays in Finland Using Machine Learning and Weather Data
Centre for Wireless Communications, University of Oulu(奥卢大学无线通信中心)
本研究利用芬兰FI-TW数据集和XGBoost,通过基于领域知识的天气类别特征预测列车延误,在奥卢站实现R²为0.78,较原始气象特征提升11%性能,验证了边缘部署的高效性。
2026-09-11 cs.AI cs.LG
Asynchronous Federated Learning for Sensor Data with Concept Drift
George Mason University(乔治梅森大学)
联邦学习(FL)涉及多个分布式设备联合训练共享模型,而任何参与者都不必向集中式服务器透露他们的本地数据。大多数以前的FL方法假设设备上的数据在训练过程中是固定和静止的。然而,这种假设是不现实的,因为这些设备通常具有变化的采样率和不同的系统配置。此外,设备数据的底层分布可以随时间动态变化,这被称为概念漂移。概念漂移使学习过程变得复杂,因为现有数据和即将到来的数据之间的不一致性。由于本地设备的异构性,传统的概念漂移处理技术如基于组块和基于集成学习的方法不适合联邦学习框架。我们提出了一种新的方法,FedConD,来检测和处理本地设备上的概念漂移,并最大限度地减少对异步FL中模型性能的影响。漂移检测策略是基于一种自适应机制,该机制使用本地模型的历史性能。漂移自适应是通过调整各局部器件上目标函数的正则化参数来实现的。此外,我们在服务器端设计了一个通信策略,以谨慎的方式选择本地更新,加快模型收敛。在三个演化数据流和两个图像数据集上的实验结果表明,\model ~能够检测和处理概念漂移,与其他基线方法相比,还降低了整体通信开销。
2021-09-01 cs.DC cs.LG
Personalized Federated Hierarchical Gaussian Processes for Privacy-Preserving Modeling of Heterogeneous Distributed Systems
Arizona State University(亚利桑那州立大学)
提出个性化联邦分层高斯过程,通过共享全局组件与局部残差分解实现异构客户端隐私保护的概率建模,在故障分类和空气质量建模中取得高效结果。
2026-09-18 cs.LG
AutoFed: Heterogeneity-Aware Federated Multimodal Learning for Robust Autonomous Driving
Nanyang Technological University (NTU)(南洋理工大学);University of Maryland(马里兰大学);China-Singapore International Joint Research Institute(中新国际联合研究院)
利用机载传感器进行目标检测(例如,激光雷达、雷达和摄像头)在自动驾驶(AD)中发挥着至关重要的作用,这些传感器在模式上相互补充。虽然crowdsensing可能会利用这些传感器(数量巨大)来获得更全面的知识,但\textit{federated learning}(FL)似乎是实现这一潜力的必要工具:它使自动驾驶汽车(AV)能够在不显式共享原始传感数据的情况下训练机器学习模型。然而,多模态传感器在分布式AV之间引入了各种数据异质性(例如,标签数量偏差和不同的方式),提出了关键的挑战,有效的FL。为此,我们提出AutoFed作为异质性意识FL框架,充分利用多模态感官数据的AV,从而使强大的AD。具体来说,我们首先提出了一种新的模型,利用伪标签,以避免错误地对待未标记的对象作为背景。我们还提出了一种基于自动编码器的数据填补方法,以填补缺失的数据模态(某些AV)与可用的。为了进一步协调异构性,我们最后提出了一个客户端选择机制,利用客户端模型之间的相似性,以提高训练稳定性和收敛速度。我们在基准数据集上的实验证实,AutoFed在准确率和召回率方面都大大提高了现状方法,同时对恶劣天气条件表现出强大的鲁棒性。
2023-03-30 cs.AI cs.CV cs.LG
Federated Imitation Learning: A Privacy Considered Imitation Learning Framework for Cloud Robotic Systems with Heterogeneous Sensor Data
Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences(中国科学院深圳先进技术研究院);University of Chinese Academy of Sciences(中国科学院大学);Hong Kong University of Science and Technology(香港科技大学)
人类能够通过观察他人的行为来学习新的行为。机器人也可以通过模仿学习来实现这一点。此外,如果有外部指导,人类将更有效地掌握新的行为。机器人如何实现这一点?为了解决这个问题,我们提出了联邦模仿学习(FIL)的文件。首先,提出了一种部署在云上的知识融合算法,用于融合本地机器人的知识。然后介绍了FIL中有效的迁移学习方法。通过FIL,机器人能够利用来自其他机器人的知识来增加其模仿学习。当机器人共享知识时,FIL考虑了信息隐私和数据异构性。它适用于云机器人系统。最后,我们对机器人(汽车)的简化自动驾驶任务进行了实验。实验结果表明,FIL是能够增加本地机器人的模仿学习云机器人系统。
2019-09-15 cs.AI cs.LG cs.RO
Federated learning for unpaired multimodal data
Department of Biomedical Engineering, Linköping University, Sweden(_linköping大学生物医学工程系);Department of Computer and Information Science, Linköping University, Sweden(_linköping大学计算机与信息科学系);Center for Medical Image Science and Visualization (CMIV), Linköping University, Sweden(_linköping大学医学影像科学与可视化中心)
本文提出通过同质Transformer模型实现联邦学习,解决无配对多模态数据的训练问题,通过公共锚点对齐和子空间稳定化微调方法,在不传输私有数据的情况下实现全局模型统一表示。
2026-11-02 cs.LG
Intelligent Spatial Interpolation-based Frost Prediction Methodology using Artificial Neural Networks with Limited Local Data
University of Technology Sydney(悉尼科技大学);Food Agility CRC Ltd(食品敏捷合作研究中心有限公司)
针对霜冻预测依赖现场数据的问题,提出基于空间插值与集成学习的神经网络方法,利用现有气象站数据预测最低温度,检测率达92.55%。
2023-05-14 cs.LG
Improving Response Time of Home IoT Services in Federated Learning
Chungnam National University(忠南国立大学)
对于具有传感器和机器学习的智能家居物联网服务,我们需要将物联网数据上传到无法共享私有数据的云服务器进行训练。最近的一种机器学习方法称为联邦学习,它将用户数据保存在分布式计算环境中的设备上。虽然联邦学习对于保护隐私很有用,但它在家庭物联网服务的端到端响应时间方面表现不佳,因为物联网设备通常由云中的远程服务器控制。此外,由于数据不足问题和模型反演攻击,很难实现联邦学习模型的高精度。在本文中,我们提出了一种本地物联网控制方法,用于联邦学习家庭服务,快速准确地识别家庭网络中的用户行为。我们提出了一个具有迁移学习和差分隐私的联邦学习客户端,以解决数据稀缺和数据模型反转攻击问题。从实验中,我们表明,本地控制家庭物联网设备的用户认证和控制消息传输的联邦学习客户端提高了响应时间小于1秒。此外,我们证明了联邦学习与迁移学习在9,000个样本下达到了97%的准确率,这与集中式学习的差异只有2%。
2022-02-28 cs.LG
FedSCS-XGB -- Federated Server-centric surrogate XGBoost for continual health monitoring
Data Analytics (INDA) RWTH Aachen University Aachen, Germany;Spinal Cord Injury Artificial Intelligence (SCAI) Lab ETH Zürich \& Swiss Paraplegic Research (SPF) Nottwil, Switzerland
FedSCS-XGB通过联邦服务器中心化替代XGBoost实现持续健康监测,匹配集中式性能并保留XGBoost结构优势。
2026-03-06 cs.LG
Personalized Federated Learning for improving radar based precipitation nowcasting on heterogeneous areas
Instituto de Física de Cantabria (IFCA), CSIC-UC(坎塔布里亚物理研究所(CSIC-UC联合机构));MicroStep-MIS(MicroStep-MIS公司);Scientific Computing Center (SCC), Karlsruhe Institute of Technology (KIT)(卡尔斯鲁厄理工学院科学计算中心)
针对气象雷达数据分布式且难集中的问题,提出个性化联邦学习架构adapFL,通过单雷达图像拆分模拟多客户端场景,验证其在降水临近预报中性能优于传统联邦学习、单模型及经典雷达回波跟踪方法。
2024-08-11 cs.LG physics.ao-ph
A Federated Learning Framework for Smart Grids: Securing Power Traces in Collaborative Learning
Tsinghua-Berkeley Shenzhen Institute(清华-伯克利深圳学院);Tsinghua Shenzhen International Graduate School(清华大学深圳国际研究生院);Tsinghua University(清华大学)
随着智能传感器的部署和通信技术的进步,大数据分析在智能电网领域变得非常流行,为利益相关者提供最佳的电力利用策略。然而,这些与电力相关的数据由不同的方存储和拥有。例如,电力消耗数据存储在城市中的许多Transformer站中;人口的移动数据是电力消耗的重要指标,由移动公司持有。直接的数据共享可能会损害政党利益、个人隐私甚至国家安全。受Google AI的联邦学习方案的启发,我们提出了一个智能电网的联邦学习框架,该框架可以在不泄漏单个电力迹线的情况下协作学习功耗模式。水平联邦学习是在样本空间中数据分散的情况下使用的;垂直联邦学习则是针对特征空间中数据分散的情况而设计的。实例研究表明,在适当的加密方案下,如Paillier加密,该框架构造的机器学习模型是无损的、隐私保护的和有效的.最后,联邦学习在智能电网的其他方面,包括电动汽车,分布式发电/消费和综合能源系统的前景进行了讨论。
2021-11-01 cs.LG
Freezing of Gait Detection Using Gramian Angular Fields and Federated Learning from Wearable Sensors
College of Health Solutions, Arizona State University(亚利桑那州立大学健康解决方案学院);Bangladesh University of Engineering and Technology(孟加拉国工程与技术大学);Khulna University of Engineering and Technology(库尔纳工程与技术大学);School of Computing and Augmented Intelligence, Arizona State University(亚利桑那州立大学计算与增强智能学院)
本文提出FOGSense系统,利用格拉姆角场变换和联邦深度学习,仅凭单个可穿戴传感器在自由生活环境中实现高精度、低假阳性率的帕金森冻结步态检测,并支持隐私保护的个性化模型自适应。
2025-05-02 cs.LG eess.SP
FedCMAPSS: A Benchmark for Federated Learning in Remaining Useful Life Estimation
University of Catania(卡塔尼亚大学)
本文提出基于NASA C-MAPSS数据集的联邦RUL估计基准FedCMAPSS,定义五类任务模拟工业挑战,评估多种联邦优化算法,为联邦预测性维护提供标准基础。
2026-08-28 cs.LG
All Weather Perception: Joint Data Association, Tracking, and Classification for Autonomous Ground Vehicles
本文提出一种新型概率感知算法,用于自主地面车辆在全天候条件下的数据关联、目标跟踪和分类。该算法扩展了原有的 Rao-Blackwellized 粒子滤波器,结合多模型跟踪进行分类,并通过升级 Cornell 的 AGV 实验证明了先进视觉算法在恶劣天气下的鲁棒性。
2016-05-07 cs.CV cs.LG cs.RO
A Personalized Federated Learning Algorithm: an Application in Anomaly Detection
联邦学习(FL)最近已经成为一种很有前途的方法,其采用分布式学习模型结构来克服由中央机器学习模型暂停的数据隐私和传输问题。在FL中,从不同设备或传感器收集的数据集用于训练本地模型(客户端),每个本地模型与集中式模型(服务器)共享其学习。然而,这种分布式学习方法带来了独特的学习挑战,因为本地客户端使用的数据可能是非IID(独立和相同分布)和统计上的差异,这会降低中心模型的学习准确性。在本文中,我们克服了这个问题,提出了一种新的个性化的条件FedAvg(PC-FedAvg),其目的是控制权通信和聚合与量身定制的学习算法增强个性化的结果模型在每个客户端。我们在两个数据集上的实验验证表明,我们的PC-FedAvg精确地构建了广义客户端模型,因此与其他最先进的方法相比,具有更高的准确性。
2021-11-04 cs.LG
Continual Learning of Dynamical Systems with Competitive Federated Reservoir Computing
University of Amsterdam(阿姆斯特丹大学)
机器学习最近被证明在从数据中学习微分方程和动力系统方面是有效的。然而,数据通常被认为是来自一个单一的永不改变的系统。相比之下,当对真实世界的动态过程建模时,数据分布通常会由于底层系统动态的变化而发生变化。对这些过程的持续学习旨在快速适应突然的系统变化,而不会忘记先前的动态机制。这项工作提出了一种基于储备池计算的持续学习方法,这是一种在复杂时空动态系统上训练递归神经网络的最新方法。储备池计算修复了循环网络权重-因此这些权重不能被忘记-并且仅将线性投影头更新到输出。我们建议同时训练多名竞争预测主管。受神经科学预测编码的启发,只有最具预测性的头部才会激活,横向抑制并保护不活跃的头部免受干扰参数更新引起的遗忘。我们发现,这种多头水库最大限度地减少干扰和灾难性遗忘的几个动力系统,包括范德波尔振荡器,混沌洛伦兹吸引子,和高维洛伦兹-96天气模型。我们的研究结果表明,储备池计算是一个有前途的候选框架的动态系统的持续学习。我们在\url{https://github.com/leonardbereska/multiheadreservoir}上提供了用于数据生成、方法和比较的代码。
2022-06-27 cs.LG
Privacy in Multimodal Federated Human Activity Recognition
University of Cambridge(剑桥大学);University of Bristol(布里斯托大学)
本文研究多模态联邦HAR中不同隐私层级的影响,提出联合训练通用FL模型与模态组级模型的方法,将严格传感器分离造成的19-42%准确率损失降至7-13%。
2023-06-02 cs.AI cs.LG
FedFitTech: A Baseline in Federated Learning for Fitness Tracking
Ubiquitous Computing, University of Siegen(乌尔姆计算,西格恩大学)
本文提出了基于Flower框架的FedFitTech基线,用于解决健身追踪中联邦学习面临的数据不平衡和个性化等挑战,并通过案例研究证明其早停策略能减少13%冗余通信且仅损失1%识别性能。
2025-09-12 cs.LG
Blinder: End-to-end Privacy Protection in Sensing Systems via Personalized Federated Learning
University of Alberta(阿尔伯塔大学)
本文提出基于个性化联邦学习的传感器数据匿名化模型Blinder,通过变分自编码器与判别器对抗训练及元学习适配用户分布,在IMU数据集上实现端到端隐私保护,兼顾低开销与实时边缘部署。
2023-10-06 cs.CR cs.LG
FED-HARGPT: A Hybrid Centralized-Federated Approach of a Transformer-based Architecture for Human Context Recognition
Electrical Engineering Department, Seoul National University, Seoul, Korea(首尔国立大学电气工程系,韩国首尔)
本文提出一种混合集中-联邦方法,利用Transformer架构进行人类活动识别,通过联邦学习框架评估基于集中基线的联邦模型训练,实验表明该方法在非IID数据场景下提升了识别准确性和鲁棒性,同时保护数据隐私。
2026-03-13 cs.AI cs.LG eess.SP
Progressive Size-Adaptive Federated Learning: A Comprehensive Framework for Heterogeneous Multi-Modal Data Systems
本文提出基于数据集尺寸特征的渐进式自适应联邦学习框架SAFL,在13个多模态数据集上发现1000-1500样本为最优训练范围,实现87.68%平均准确率并显著降低通信开销。
2025-09-21 cs.AI cs.LG
UMEDA: Unified Multi-modal Efficient Data Fusion for Privacy-Preserving Graph Federated Learning via Spectral-Gated Attention and Diffusion-Based Operator Alignment
Department of XXX, University of YYY, Location, Country(XXX系,YYY大学,Location,Country);School of ZZZ, Institute of WWW, Location, Country(ZZZ学院,WWW研究所,Location,Country)
UMEDA通过谱门控注意力和扩散算子对齐,实现多模态数据在隐私保护下的高效联邦学习,提升准确性和通信效率。
2026-05-08 cs.AI cs.CR cs.DC
Federated Imitation Learning: A Novel Framework for Cloud Robotic Systems with Heterogeneous Sensor Data
Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences(中国科学院深圳先进技术研究院);University of Chinese Academy of Sciences(中国科学院大学);Hong Kong University of Science and Technology(香港科技大学);University of Macau(澳门大学)
人类能够通过观察他人来学习一种新的行为。同样,机器人也可以通过模仿学习来实现这一点。此外,如果有外部指导,人类可以更有效地掌握新的行为。机器人如何做到这一点?为了解决这个问题,我们提出了一个新的框架命名为FIL。它为云机器人系统提供了一种异构知识融合机制。提出了一种FIL中的知识融合算法。它使云能够融合来自本地机器人的异构知识,并为具有服务请求的机器人生成指导模型。在此之后,我们引入了一个知识转移计划,以促进本地机器人从云获取知识。利用FIL,机器人能够利用来自其他机器人的知识来提高其模仿学习的准确性和效率。与迁移学习和元学习相比,FIL更适合部署在云机器人系统中。最后,我们对机器人(汽车)的自动驾驶任务进行了实验。实验结果表明,FIL生成的共享模型提高了云机器人系统中本地机器人的模仿学习效率。
2019-12-24 cs.AI cs.LG cs.RO