Decentralized federated learning system
PulseAugur coverage of Decentralized federated learning system — every cluster mentioning Decentralized federated learning system across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
新方法优化去中心化联邦学习的能效
研究人员开发了一种新的混合矩阵设计方法，以提高无线网络中去中心化联邦学习（DFL）的能效。该方法专门针对节点单位能耗的最小化，这是功率受限设备的关键因素。所提出的框架利用时变通信拓扑和优化预算来平衡能耗和收敛速度，并基于一种新颖的收敛定理。
-
新框架优化去中心化联邦学习的拓扑选择
研究人员推出AIRPLAN，一个用于优化过顶去中心化联邦学习（OTA-DFL）拓扑选择的新颖框架。通过将OTA-DFL与分布式查询处理进行类比，AIRPLAN将拓扑选择构建为一种基于成本的查询优化问题。该系统利用隐私保护的Count-Min Sketch统计数据来估计工作负载特征并评估通信图成本，最终选择能够满足准确性服务级别协议并最大限度地降低训练成本的拓扑。
-
新架构赋能流式AI和物联网的去中心化编排
一篇新论文提出了一种面向流式计算环境的去中心化编排架构，旨在改善跨异构设备（如终端设备、边缘基础设施和云平台）的资源管理。该架构使自主域能够协调并满足部署请求，同时保持本地控制。作为实际演示，该系统应用于一个多域去中心化联邦学习用例，并整合了一个名为FU-HST的SDN赋能的异常检测机制，以增强对拜占庭威胁的安全性。
-
新的WFAgg算法增强了去中心化联邦学习的安全性
研究人员开发了一种名为WFAgg的新型拜占庭鲁棒聚合算法，用于去中心化联邦学习（DFL）。该算法旨在通过识别和缓解拜占庭攻击来增强DFL环境的安全性，即使在动态去中心化拓扑中也是如此。实验结果表明，WFAgg在图像分类任务上能有效保持模型准确性和收敛性，其性能优于现有的中心化拜占庭鲁棒聚合方法，如Multi-Krum和Clustering。
-
SPARK方法通过稳定的NTK更新加速去中心化联邦学习
研究人员开发了SPARK，一种在异构数据条件下提高去中心化联邦学习（DFL）收敛速度和稳定性的新方法。SPARK利用分阶段退火的软标签正则化器结合动量来加速神经切线核（NTK）更新，而NTK在这些场景中传统上面临不稳定的挑战。所提出的方法在各种数据分布和网络设置下，与现有基线相比，收敛速度提高了3倍，通信量减少了约70%，同时保持了更高的准确性，显示出显著的改进。
-
新的去中心化EM算法改进了联邦学习中的高斯混合模型
研究人员开发了用于联邦学习场景中高斯混合模型的新型去中心化算法。这些方法，包括一种基于动量的方法（MNEM）和一种半监督变体（semi-MNEM），解决了数据分布异质性和部分标记带来的挑战。理论分析表明，MNEM可以实现与集中式方法相当的渐近效率，而semi-MNEM则提高了收敛速度，这已通过模拟和对胸部X光数据集的分析得到证明。
-
新研究通过主动客户端选择和隐私分析推进联邦学习
研究人员正在探索改进联邦学习的新方法，这是一种在保护隐私的同时跨分布式数据源训练模型的技术。一种名为“明智且私密地选择”的方法，利用互信息和潜在联邦损失，在训练开始前主动选择其数据能最大化效用和公平性的客户端。另一项研究引入了一种轻量级几何信号，通过测量本地训练与全局模型功能行为的偏差来检测异常客户端。此外，新的理论工作为差分隐私联邦学习协议建立了通用下界，并分析了集中式和分布式联邦学习架构之间的权衡。