English(EN) Cluster-Aware Over-the-Air Federated Learning with Energy-Harvesting Devices: From Global Training to Model Personalization

联邦学习框架优化能量采集设备的全局和个性化模型

作者 PulseAugur 编辑部 · [1 个来源] · 2026-08-04 04:00

本研究论文介绍了一种新颖的联邦学习（FL）框架，专为能量采集移动设备设计。所提出的系统通过利用集群信息，解决了异构数据分布和有限能量可用性带来的挑战。它支持两个学习目标：通过减少数据偏差来增强全局模型的代表性，以及通过利用这种偏差来个性化集群特定模型。数值结果表明，在减少通信开销的同时，公平性或个性化得到了改善。 AI

影响在能源资源有限的分布式学习系统中，提高了效率和个性化。

排序理由该集群包含一篇来自arXiv的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Furkan Bagci, Busra Tegin, Mohammad Kazemi, Tolga M. Duman · 2026-08-04 04:00

Cluster-Aware Over-the-Air Federated Learning with Energy-Harvesting Devices: From Global Training to Model Personalization

arXiv:2608.01426v1 Announce Type: new Abstract: Federated learning (FL) enables distributed optimization and learning across decentralized edge devices while preserving data privacy, but its performance is fundamentally constrained by heterogeneous data distributions, limited com…

报道来源 [1]

Cluster-Aware Over-the-Air Federated Learning with Energy-Harvesting Devices: From Global Training to Model Personalization

相关实体

相关话题