CN114553661A - 一种面向无线联邦学习的移动用户设备分簇训练方法 - Google Patents
一种面向无线联邦学习的移动用户设备分簇训练方法 Download PDFInfo
- Publication number
- CN114553661A CN114553661A CN202210109912.7A CN202210109912A CN114553661A CN 114553661 A CN114553661 A CN 114553661A CN 202210109912 A CN202210109912 A CN 202210109912A CN 114553661 A CN114553661 A CN 114553661A
- Authority
- CN
- China
- Prior art keywords
- user equipment
- mobile user
- cluster
- represent
- edge server
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 241000854291 Dianthus carthusianorum Species 0.000 claims abstract description 33
- 230000002776 aggregation Effects 0.000 claims abstract description 11
- 238000004220 aggregation Methods 0.000 claims abstract description 11
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 8
- 238000004891 communication Methods 0.000 claims abstract description 5
- 238000004364 calculation method Methods 0.000 claims description 24
- 239000013598 vector Substances 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000004138 cluster model Methods 0.000 claims description 5
- 230000003595 spectral effect Effects 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims 2
- 238000010586 diagram Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 2
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/08—Configuration management of networks or network elements
- H04L41/0803—Configuration setting
- H04L41/0823—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/04—Network management architectures or arrangements
- H04L41/042—Network management architectures or arrangements comprising distributed management centres cooperatively managing the network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/04—Network management architectures or arrangements
- H04L41/044—Network management architectures or arrangements comprising hierarchical management structures
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L45/00—Routing or path finding of packets in data switching networks
- H04L45/12—Shortest path evaluation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Probability & Statistics with Applications (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种面向无线联邦学习的移动用户设备分簇训练方法,无线网络中有1台边缘服务服务器和多个移动用户设备,每个用户设备拥有属于本地数据集。首先利用DBSCAN算法以及LEACH算法将用户分为多个簇并选出簇头。然后每个用户利用本地数据训练各自的模型参数并上传至其所在簇的簇头进行聚合,簇头将聚合后的模型进一步上传至边缘服务器聚合。边缘服务器将聚合后的模型参数分发到簇头,并由簇头进一步分发到簇内用户设备进行下一轮训练。如此重复,直至收敛。利用该分簇训练方法,可以降低无线联邦学习的通信开销和训练时延。
Description
技术领域
本发明面向物联网环境下联邦学习的技术领域,特别针对改善联邦学习集中式聚合服务器可能会由于物理损坏或恶意用户的安全攻击而停止工作,从而中断训练进程的情况。
背景技术
当下,人工智能(AI)已经进入生活的方方面面,众所周知,支撑AI训练的核心是数据,尤其是精确且具有分布代表性的优质数据。现实生活中,除了少数巨头公司能够满足,绝大多数企业都存在数据量少,数据质量差的问题,不足以支撑人工智能技术的实现;同时国内外监管环境也在逐步加强数据保护,陆续出台相关政策,如欧盟最近引入的新法案《通用数据保护条例》(GDPR),我国国家互联网信息办公室起草的《数据安全管理办法(征求意见稿)》,在未来,数据信息会成为越来越重要的私有财产,因此数据在安全合规的前提下自由流动,成了大势所趋。面对商业公司所拥有的巨大的潜在价值的数据,两个公司甚至公司间的部门都要考虑利益的交换,往往这些机构不会提供各自数据与其他公司做直接的聚合,导致即使在同一个公司内,数据也往往以孤岛形式出现。基于以上不足以支撑实现、不允许粗暴交换、不愿意贡献价值三点,导致了现在大量存在的数据孤岛,以及隐私保护问题,联邦学习应运而生。
基于联邦学习(FL)的边缘智能可以被认为是许多新兴的、严格的延迟物联网(物联网)应用程序的一个很有前途的范例,预计在可预见的未来,物联网设备的数量将迅速激增。如何在用户加入时分配与其信道资源匹配较好的边缘端,以减少其与边缘段交互延迟显得格外重要。此外,传统的集中式FL聚合服务器可能会由于安全攻击或物理损坏而停止工作,并且伴随客户端训练延时以及客户端上传延时的而造成机器学习收敛速度慢的困扰,采用分布式架构的服务器可以提高系统的高并发,高可用,以及可扩展性能。
发明内容
本发明所要解决的技术问题是克服现有技术的不足而提供一种物联网联邦学习中移动用户设备分簇方法,通过DBSCAN密度分簇以及LEACH算法将用户多层区分,再通过评分加权选出簇头,使得每个用户将本地训练模型传输至最近的簇头进行聚合,以此减小整个分布式联邦学习的通信时延和本地训练时延,达到快速收敛。
本发明为解决上述技术问题采用以下技术方案:
假设无线网络中联邦学习模型由1台边缘服务器和N个移动用户设备组成,用户设备集合为Ψ={UEn|1≤n≤N},每个用户设备UEn的本地训练数据集为Dn。
一种面向无线联邦学习的移动用户设备分簇训练方法的具体步骤如下:
步骤a.第n个移动用户设备UEn将各自的指示信息上传至边缘服务器,其中sn代表第n个移动用户设备的位置坐标,代表第n个移动用户设备的速度矢量(单位米/秒),代表第n个移动用户设备的CPU算力(单位:cycle/秒)以及Pn代表第n个移动用户设备的发射功率。
步骤d.根据步骤c计算得到的评分值,确定簇头以及簇内成员,对用户设备进行分簇。
步骤e.每个簇内的用户设备分别进行本地训练,通过梯度下降法得到各自的本地模型参数。
作为本发明所述的一种面向无线联邦学习的移动用户设备分簇训练方法进一步优化方案,所述步骤c包括步骤:
其中,
其中,
L表示自定义链路长度。
作为本发明所述的一种面向无线联邦学习的移动用户设备分簇训练方法进一步优化方案,所述步骤d包括步骤:
本发明采用以上技术方案与现有技术相比,具有以下技术效果:
(1)本方法在保证联邦学习性能的同时,兼顾物联网环境下用户的移动性,在每轮联邦学习的过程中调整对移动用户的分簇参数,使得用户集群划分合理,用户间总的传输路径最短。
(2)本方法在物联网中用户上传参数时,通过对用户各个指标加权评分的方式,选择最佳中心簇头,减少传输时延和训练时延,以此减小联邦学习训练收敛时间。
附图说明
图1为一种面向无线联邦学习的移动用户设备分簇训练方法的网络架构图;
图2为一种面向无线联邦学习的移动用户设备分簇训练方法的步骤b01流程图;
图3为一种面向无线联邦学习的移动用户设备分簇训练方法的训练延时和loss值的仿真图;
图4为一种面向无线联邦学习的移动用户设备分簇训练方法的训练延时和准确率的仿真图;
图5为一种面向无线联邦学习的移动用户设备分簇训练方法的时间仿真图;
图6为一种面向无线联邦学习的移动用户设备分簇训练方法的功率损耗仿真图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图及具体实施例对本发明进行详细描述。
根据本发明提出的一种物联网边缘环境中面向无线联邦学习的移动用户设备分簇方法,通过DBSCAN密度分簇以及LEACH算法将用户多层区分,再通过评分加权选出簇头,使得每个用户将本地训练参数传输至最合理的簇头进行聚合,以此减小整个分布式联邦学习的通信时延和本地训练时延,达到快速收敛。
本例中的物联网下分布式联邦学习架构参与用户分布如图1所示,假设在无线网络中,有N个用户设备,集合表示为:Ψ={UEn|1≤n≤N},每个用户设备都拥有属于自己的本地数据集Dn,它们通过边缘服务器实现数据共享。
本例中的用户设备划分集群流程图如图2所示,假设UEi在第τ轮联邦学习的位置坐标为根据用户分设备位置密度分布采用DBSCAN算法将它们第一次粗略划分为不同的类别,具体流程如图2所示,以表示在第τ轮联邦学习所划分的第k个类别,该方法包括以下步骤:
步骤2:对任意的UE∈Ψ,通过距离度量方式找到所有与之距离小于ε的用户设备,用集合Nτ表示,即Nτ={UEj|d(UEi,UEj)≤ε},其中d表示设备间距离。
步骤3:如果集合Nτ元素个数满足|Nτ|≥MinPts,则将UEi加入集合Ωτ中,转至步骤4,否则重新选择用户设备UE,转至步骤2。
步骤4:如果集合Ωτ=φ,则算法结束,否则转至步骤5。
其中,η为权值。
假设此时处于第τ轮联邦学习中,那么该轮的评分阈值如下式所示:
第t个簇ζt内第s个用户设备通过梯度下降法(参见A Graph FederatedArchitecture with Privacy Preserving Learning公式1-公式3),将本轮训练好的本地模型参数先上传至其所属簇的簇头进行聚合,得到所属簇上的聚合模型参数(即簇模型参数)
其中,λ为权值。
本例中的仿真由图3-6所示,可以看出,物联网边缘环境中面向无线联邦学习的移动用户设备分簇方法(DL-Cluster)相比于随机分簇(Rd-Cluster)和传统集中式联邦学习(Base-FL),在准确率收敛和loss收敛速度上明显增加,每轮联邦学习消耗的时间也显著减少。随着用户数的增多,无论是功率消耗的稳定性和数量值,该方法也比随机分簇和传统集中式联邦学习具有更好的表现。
Claims (6)
1.一种面向无线联邦学习的移动用户设备分簇训练方法,其特征在于,将移动用户设备划分为多个簇并选出簇头,簇头负责收集簇内成员的模型参数并通过边缘服务器与其它簇交互,实现联邦学习快速收敛;该方法具体包括如下步骤:
步骤a.每个移动用户设备将各自的指示信息上传至边缘服务器,其中指示信息包括移动用户设备的位置坐标、速度矢量、CPU算力以及发射功率;
步骤b.边缘服务器根据所有移动用户设备的位置坐标,采用DBSCAN算法将移动用户设备划分为K个不同的类别;
步骤c.边缘服务器计算步骤b每个类别内移动用户设备的评分值;
步骤d.根据步骤c计算得到的评分值,确定簇头以及簇内成员,对移动用户设备进行分簇;
步骤e.每个簇内的移动用户设备分别进行本地训练,并通过梯度下降法得到各自的本地模型参数;
步骤f.每个簇内的移动用户设备依次将各自的本地模型参数上传至所在簇的簇头进行聚合,得到对应的簇模型参数;
步骤g.所有簇头将各自对应的簇模型参数上传至边缘服务器进行聚合,获得全局模型参数;
步骤h.边缘服务器根据全局模型参数,计算全局模型损失函数,若全局模型损失函数小于设定精度,则训练结束,否则返回步骤a。
2.根据权利要求1所述的一种面向无线联邦学习的移动用户设备分簇训练方法,其特征在于,所述步骤c包括步骤:
其中,
L表示链路长度;
5.根据权利要求2所述的一种面向无线联邦学习的移动用户设备分簇训练方法,其特征在于,所述步骤d包括步骤:
步骤d01.边缘服务器设置每个类别每轮联邦学习的阈值,每个类别内的移动用户设备从边缘服务器下载各自的评分值和所属类别的阈值,评分值小于对应阈值的移动用户设备选入簇头集合,大于等于该阈值的移动用户设备选入簇内成员集合;
步骤d02.将簇内成员集合内的移动用户设备分配给与其欧氏距离最近的簇头,同时将步骤b中未划分至类别的移动用户设备分配给与其欧氏距离最近的簇头,完成移动用户设备的分簇。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210109912.7A CN114553661B (zh) | 2022-01-29 | 2022-01-29 | 一种面向无线联邦学习的移动用户设备分簇训练方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210109912.7A CN114553661B (zh) | 2022-01-29 | 2022-01-29 | 一种面向无线联邦学习的移动用户设备分簇训练方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114553661A true CN114553661A (zh) | 2022-05-27 |
CN114553661B CN114553661B (zh) | 2023-08-18 |
Family
ID=81674472
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210109912.7A Active CN114553661B (zh) | 2022-01-29 | 2022-01-29 | 一种面向无线联邦学习的移动用户设备分簇训练方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114553661B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115099419A (zh) * | 2022-08-26 | 2022-09-23 | 香港中文大学(深圳) | 一种面向无线联邦学习的用户协同传输方法 |
CN115118591A (zh) * | 2022-06-08 | 2022-09-27 | 南京邮电大学 | 一种基于联盟博弈的簇联邦学习方法 |
CN115150918A (zh) * | 2022-06-06 | 2022-10-04 | 西北农林科技大学 | 一种分簇网络架构下的可靠联邦学习方法、系统、设备及终端 |
CN115757076A (zh) * | 2022-12-09 | 2023-03-07 | 国网湖北省电力有限公司信息通信公司 | 一种基于设备运行特征和性能指标的簇管理适应度计算方法 |
CN116991587A (zh) * | 2023-08-14 | 2023-11-03 | 北京百度网讯科技有限公司 | 联邦学习中的设备调度方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112532451A (zh) * | 2020-11-30 | 2021-03-19 | 安徽工业大学 | 基于异步通信的分层联邦学习方法、装置、终端设备及存储介质 |
US20210406782A1 (en) * | 2020-06-30 | 2021-12-30 | TieSet, Inc. | System and method for decentralized federated learning |
CN113988314A (zh) * | 2021-11-09 | 2022-01-28 | 长春理工大学 | 一种选择客户端的分簇联邦学习方法及系统 |
-
2022
- 2022-01-29 CN CN202210109912.7A patent/CN114553661B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210406782A1 (en) * | 2020-06-30 | 2021-12-30 | TieSet, Inc. | System and method for decentralized federated learning |
CN112532451A (zh) * | 2020-11-30 | 2021-03-19 | 安徽工业大学 | 基于异步通信的分层联邦学习方法、装置、终端设备及存储介质 |
CN113988314A (zh) * | 2021-11-09 | 2022-01-28 | 长春理工大学 | 一种选择客户端的分簇联邦学习方法及系统 |
Non-Patent Citations (1)
Title |
---|
郝圣;张沪寅;宋梦凯;: "基于学习自动机理论与稳定性控制的自适应移动无线Ad Hoc网络分簇策略", 计算机学报, no. 09 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115150918A (zh) * | 2022-06-06 | 2022-10-04 | 西北农林科技大学 | 一种分簇网络架构下的可靠联邦学习方法、系统、设备及终端 |
CN115118591A (zh) * | 2022-06-08 | 2022-09-27 | 南京邮电大学 | 一种基于联盟博弈的簇联邦学习方法 |
CN115118591B (zh) * | 2022-06-08 | 2023-07-25 | 南京邮电大学 | 一种基于联盟博弈的簇联邦学习方法 |
CN115099419A (zh) * | 2022-08-26 | 2022-09-23 | 香港中文大学(深圳) | 一种面向无线联邦学习的用户协同传输方法 |
CN115757076A (zh) * | 2022-12-09 | 2023-03-07 | 国网湖北省电力有限公司信息通信公司 | 一种基于设备运行特征和性能指标的簇管理适应度计算方法 |
CN115757076B (zh) * | 2022-12-09 | 2023-10-27 | 国网湖北省电力有限公司信息通信公司 | 一种基于设备运行特征和性能指标的簇管理适应度计算方法 |
CN116991587A (zh) * | 2023-08-14 | 2023-11-03 | 北京百度网讯科技有限公司 | 联邦学习中的设备调度方法及装置 |
CN116991587B (zh) * | 2023-08-14 | 2024-04-12 | 北京百度网讯科技有限公司 | 联邦学习中的设备调度方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114553661B (zh) | 2023-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114553661B (zh) | 一种面向无线联邦学习的移动用户设备分簇训练方法 | |
CN108846517B (zh) | 一种分位数概率性短期电力负荷预测集成方法 | |
CN113191484B (zh) | 基于深度强化学习的联邦学习客户端智能选取方法及系统 | |
CN111629380B (zh) | 面向高并发多业务工业5g网络的动态资源分配方法 | |
Fu et al. | Client selection in federated learning: Principles, challenges, and opportunities | |
CN105207821B (zh) | 一种面向业务的网络综合性能评估方法 | |
Lu et al. | Optimization of task offloading strategy for mobile edge computing based on multi-agent deep reinforcement learning | |
CN104580447A (zh) | 一种基于访问热度的时空数据服务调度方法 | |
CN113518007B (zh) | 一种基于联邦学习的多物联网设备异构模型高效互学习方法 | |
CN104504280A (zh) | 考虑规划需求的电动汽车充电桩集群管理系统通信方式综合评价方法 | |
CN116471286A (zh) | 基于区块链及联邦学习的物联网数据共享方法 | |
CN108196957A (zh) | 一种云环境下的主机负载预测方法 | |
CN114301935A (zh) | 一种基于声誉的物联网边云协同联邦学习节点选择方法 | |
Deng et al. | Tailorfl: Dual-personalized federated learning under system and data heterogeneity | |
CN113672684B (zh) | 一种面向非独立同分布数据的分层用户训练管理系统及方法 | |
Hui et al. | Quality-aware incentive mechanism design based on matching game for hierarchical federated learning | |
Etiabi et al. | Federated distillation based indoor localization for IoT networks | |
Lv et al. | Edge computing task offloading for environmental perception of autonomous vehicles in 6G networks | |
Xu et al. | Aoi-guaranteed incentive mechanism for mobile crowdsensing with freshness concerns | |
CN102546286A (zh) | 一种在线检测网络共享拥塞路径的方法 | |
CN113691594A (zh) | 一种基于二阶导数解决联邦学习中数据不平衡问题的方法 | |
Xu et al. | Edge resource prediction and auction for distributed spatial crowdsourcing with differential privacy | |
CN107465571A (zh) | 基于统计特性的战术网络模拟训练背景业务流量生成方法 | |
Wang et al. | Distributed game-theoretical route navigation for vehicular crowdsensing | |
Yan et al. | Service caching for meteorological emergency decision-making in cloud-edge computing |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |