Personalized Federated Learning for Intelligent IoT Applications: A Cloud-Edge based Framework
PulseAugur coverage of Personalized Federated Learning for Intelligent IoT Applications: A Cloud-Edge based Framework — every cluster mentioning Personalized Federated Learning for Intelligent IoT Applications: A Cloud-Edge based Framework across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的FBID框架使用自适应PFL提升物联网攻击检测能力
研究人员开发了FBID，一个新颖的自适应个性化联邦学习（PFL）框架，旨在增强物联网（IoT）网络中分布外（OOD）攻击的检测能力。与可能导致过度个性化和OOD检测性能下降的现有PFL方法不同，FBID采用服务器端控制。它包含一个上下文多臂老虎机来动态调整客户端训练强度，以及一个基于信任的融合机制来平衡全局和本地模型知识。在CICIoT2023数据集上的实验表明，FBID能够提高OOD检测率和F1分数，尤其是在对抗未见过的攻击类别时。
-
AutoFed框架增强个性化联邦流量预测
研究人员开发了AutoFed，一个新颖的个性化联邦学习（PFL）框架，用于流量预测任务。该框架通过实现隐私保护的协作训练，解决了标准联邦学习中固有的数据孤岛和非IID问题。AutoFed采用提示学习方法，并结合客户端对齐的适配器，将本地数据提炼成共享的提示矩阵，然后该矩阵用于条件化每个客户端的个性化预测器。这种方法消除了手动调整超参数的需要，这是实际部署中的一个重大障碍，并在真实数据集上展示了卓越的性能。
-
新框架解决了AI合作中的奖励分配问题
研究人员为AI合作中的奖励分配引入了一个新颖的框架，其中人类代理在不同的价值约束下贡献数据并参与模型更新。该系统被称为价值条件梯度过滤，仅奖励那些符合每个主体价值概况的更新。该方法利用在线边际贡献信号和遍历学习（TL）基底内的累积收入结算，提供了比FedAvg等传统联邦学习方法更精细的归因。
-
新方法推动个性化联邦学习和联邦遗忘
研究人员开发了几种新方法来增强个性化联邦学习（PFL），这是一种允许AI模型从分布式数据中学习同时保持客户端特定适应性的技术。例如，CLoVE使用客户端损失向量嵌入来识别和分离客户端集群，优化特定于集群的模型。pFedUL通过区分共享层和个性化模型层的策略来解决PFL中的联邦遗忘问题，以遵守GDPR等隐私法规。此外，DC-CFL通过分析数据协作提供了一种单轮集群联邦学习方法，而FedSPC则引入了一种共享参数校正方法来提高PFL模型的一致性。
-
新的FreqX方法通过频域洞察增强了PFL的AI模型可解释性
研究人员推出了一种新的深度学习模型解释方法FreqX，该方法特别有利于个性化联邦学习（PFL）。FreqX利用信号处理和信息论提供归因和概念信息，解决了PFL的非独立同分布数据和公平性等挑战。该方法比提供类似概念洞察的现有方法速度快得多。