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.
-
新的PFL框架使用逐层稀疏化来降低通信成本
研究人员开发了一个新的个性化联邦学习（PFL）框架，旨在降低通信成本。该方法利用逐层多阈值随机稀疏化，该方法将量化阈值调整到每个模型层的特定统计数据。通过为每层使用多个区间，该方法提供了稀疏化参数的更精细、低比特表示，与现有的单比特压缩技术相比，在通信效率和模型准确性之间取得了更好的权衡。
-
新框架 X-FED 增强了具有早期退出网络的个性化联邦学习
研究人员开发了 X-FED，一个用于个性化联邦学习 (PFL) 的新颖框架，它集成了早期退出网络 (EENs) 以实现自适应推理。该方法解决了 PFL 中 EENs 的客户端异质性和深度干扰所产生的冲突。X-FED 利用渐进式、深度优先的学生协调机制进行个性化知识转移，并采用客户端解耦的公式来降低通信开销。评估表明，与现有的最先进方法相比，X-FED 在显著降低推理成本的同时实现了更高的准确性。
-
FlatLand方法使用定制的洛伦兹空间实现图联邦学习的个性化
研究人员推出了一种新的个性化联邦学习方法FlatLand，该方法解决了异构客户端数据带来的挑战，尤其是在图联邦学习领域。该方法将客户端数据嵌入到双曲几何中的定制洛伦兹空间里，利用了双曲几何对图结构的自然适应性以及洛伦兹空间编码客户端特定异质性的能力。FlatLand采用参数解耦策略，将通用知识与异构信息分开，无需复杂的模块即可直接聚合。实验表明，FlatLand取得了优越的性能，尤其是在低维设置下。
-
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。