XiaoMi-AI文件搜索系统
World File Search SystemFEDAVG
基于联邦学习的 EfficientNet 在脑肿瘤分类中的应用
摘要：在医学诊断领域实施机器学习算法的趋势是必要且有意义的。然而，数据隐私已成为应用中的一大问题。本文使用联邦学习（FL）架构来处理隐私问题，并找到提高模型性能的方法。该研究结合 FedAvg FL 算法和 CNN 模型 EfficientNet 在脑肿瘤分类（MRI）数据集上训练模型。在实施算法之前，该研究对数据进行了一些预处理。然后，该研究使用 EfficientNet 进一步处理和识别图像，并使用 FedAvg 对客户端训练的模型进行加权平均。此外，该研究探索了优化器和损失函数，选择了更适合此任务的 AdamW 和交叉熵损失。最后，该研究深入了参数调整工作，绘制了一些曲线和表格来可视化结果。经过参数调整后，本文发现测试准确率高达 81.218%，所有客户端的平均训练准确率高达近 99%。另外，本文还讨论了不同CNN模型的实现条件，分析了它们在医学诊断领域的优缺点，为网络模型和算法的结合提供了一些思路。
在模拟家庭环境中联合学习社会适当的代理行为
随着社会机器人越来越多地整合到日常生活中，将其行为与社会规范保持一致至关重要。对于他们广泛的开放世界应用程序，探索联邦学习（FL）设置很重要，在这些设置中，单个机器人可以在其中学习其独特的环境，同时还可以从彼此学习。在本文中，我们提出了一种新颖的FL基准，该基准使用多标签回归目标评估不同的策略，每个客户单独学习以预测不同机器人行动的社会适当性，同时也与他人分享他们的学习。此外，通过不同的上下文将培训数据分开，以使每个客户逐渐学习跨环境，我们提出了一种新颖的联合持续学习（FCL）基准，该基准适用于基于FL的方法，以使用最先进的持续学习（CL）方法，以在不同的上下文背景下持续学习社会适当的推动力。联合的平均权重（FedAvg）作为一种强大的FL策略出现，而基于彩排的FCL可以通过上下文分配逐步学习机器人行动的社会适当性。
使用联合电池电力汽车使用联合电池的隐私感知能源消耗
摘要 - 电池电动汽车（BEV）在现代城市越来越重要，因为它们有可能减少空气污染。对他们的精确和实时估计，对于有效的行程规划和选择性的车辆系统至关重要，这可以减轻驾驶范围焦虑并降低能源成本。随着公众对数据隐私的认识的提高，采用了在BEV能源消耗建模背景下保护数据隐私的方法至关重要。联合学习（FL）是一种有希望的解决方案，可以通过允许本地数据保留在设备上，而仅与中央服务器共享模型更新，从而减轻向第三方传播敏感信息的风险。我们的工作研究了使用FLED方法（例如FedAvg和Fedper）的潜力，以改善BEV能源消耗预测，同时保持用户隐私。，我们使用模拟现实世界驱动条件下的10个BEV的数据进行了实验。我们的结果表明，FedAvg-LSTM模型在预测结果的MAE值中降低了高达67.84％。此外，我们探索了各种现实世界情景，并讨论了在这种情况下如何采用FL方法。我们的发现表明，FL方法可以有效地改善BEV能源消耗预测的性能，同时保持用户隐私。索引术语 - 填充学习，电动汽车，能源消耗建模，边缘云计算，数字双胞胎，隐私意识
联邦：联合学习客户端选择Edge IoT网络的寿命扩展
摘要 - 填充学习（FL）是一个分布式和隐私的学习框架，用于通过物联网（IoT）设备在边缘生成的大量数据进行预测建模。一个主要的挑战，阻止物联网中广泛采用FL的一项挑战是物联网设备的普遍电源限制，因为电池供电的客户用于本地培训和模型更新的大量能源消耗。电池电量水平较低，最终导致他们从边缘网络的早期辍学，失去培训数据危害了FL的性能，以及他们执行其他指定任务的可用性。在本文中，我们提出了Fedle，Fedle是一种能量良好的客户选择框架，可实现Edge IoT网络的寿命扩展。在Fedle中，客户首先运行最低时代以生成其本地模型更新。这些模型被部分上传到服务器，以计算每对客户端之间的相似性。群集是针对这些客户对进行的，以识别具有相似模型分布的人。在每个回合中，低功率的客户被选中的可能性较低，从而延迟了电池的排水。实证研究表明，联邦企业在基准数据集上的表现优于基准，并且持续的训练回合比使用电池电量限制的FedAvg多。索引术语 - 填充学习，客户选择，边缘计算，物联网（IoT），能量效率
在IOV中，联合和加强学习的联合和加强学习
摘要 - 边缘缓存是一项有前途的技术，可以减轻互联网（IOV）的互联网（IOV）的内容访问延迟。它通过中间路边单元预先使用靠近车辆的物品预先使用。先前的边缘缓存工作通常认为内容受欢迎程度是事先知道的，或者遵守简化的模型。然而，这种假设是不现实的，因为内容受欢迎程度随着IOV的空间交通需求不确定而变化。联合学习（FL）使车辆能够通过分布式培训预测流行内容。它保留了培训数据仍然是本地的，从而解决了隐私问题和通信资源短期。本文通过利用异步FL和深钢筋学习（DRL）来调查流动性吸引的边缘缓存策略。我们首先实施了一个新型异步FL框架，以用于本地更新和堆叠自动编码器（SAE）型号的全局聚合。然后，利用训练有素的SAE模型提取的潜在特征，我们采用了混合过滤模型来预测和推荐流行内容。fur-hoverore，我们在内容预测后探索智能缓存决策。基于公式的马尔可夫决策过程（MDP）问题，我们提出了一个基于DRL的解决方案，并采用基于神经网络的参数近似RL中的维度诅咒。广泛的模拟是根据现实世界数据轨迹进行的。尤其是，我们提出的方法的表现优于FedAvg，LRU和NODRL，当高速缓存能力达到350 MB时，边缘命中率分别提高了大约6％，21％和15％。
基于分布式联邦学习的深度学习
摘要 —分布式训练可以促进大型医学图像数据集的处理，并在保护患者隐私的同时提高疾病诊断的准确性和效率，这对于实现高效的医学图像分析和加速医学研究进展至关重要。本文提出了一种创新的医学图像分类方法，利用联邦学习 (FL) 来解决数据隐私和高效疾病诊断的双重挑战。传统的集中式机器学习模型尽管广泛用于疾病诊断等医学成像任务，但由于患者数据的敏感性，引发了严重的隐私问题。作为替代方案，FL 成为一种有前途的解决方案，它允许在本地客户端之间训练集体全局模型而无需集中数据，从而保护隐私。本研究重点关注 FL 在磁共振成像 (MRI) 脑肿瘤检测中的应用，证明了联邦学习框架与 EfficientNet-B0 和 FedAvg 算法相结合在增强隐私和诊断准确性方面的有效性。通过精心选择预处理方法、算法和超参数，以及对各种卷积神经网络 (CNN) 架构的比较分析，该研究发现了图像分类的最佳策略。实验结果表明，EfficientNet-B0 在处理数据异质性方面优于 ResNet 等其他模型，并且实现了更高的准确率和更低的损失，凸显了 FL 在克服传统模型局限性方面的潜力。该研究强调了解决数据异质性的重要性，并提出了进一步的研究方向，以扩大 FL 在医学图像分析中的适用性。
在汽车行业解锁潜力
联合学习是一种分散的方法，用于训练Glo-Bal机器学习模型而无需在参与者之间共享数据，并且它已成为必须保护有关各方数据的情况下存在的关键解决方案。这在数据驱动的预后，健康管理和异常检测系统中非常重要，因为关键数据所有权在几个原始设备制造商和运营商之间划分。但是，对这项技术的适当提出需要在基础架构上进行大量的前期投资，因为计算，能源和网络能力必须支持边缘上的增加负载，这代表了从集中式范式转移。尽管有这些要求，但汽车行业对这项技术作为协作推动者的潜力表现出了极大的兴趣。该技术的隐私益处得到了充分的认可，但是通常不加区分地使用它，而无需透彻考虑其适当性。为了使这一详细的系统映射进行了详细的系统文献映射，通过分析，我们就联合框架的使用方面的有效性提供了对预测性维护和自动行业中异常检测应用的特定挑战的见解。此外，我们通过确定对该技术实施确实有意义的汽车行业的现实世界应用来做出贡献。我们的研究测试了每个人如何响应不同的数据方案。这些发现突出了对量身定制方法的需求，以满足每个应用程序的独特需求。在此基础上，我们使用广泛采用的模型和聚合策略进行了实验分析，以评估在模拟现实世界条件的各种数据拆分配置下，在各种数据拆分配置下评估了Fedeed Learning的性能。结果表明，FedAvg在平衡数据方面的表现最佳，而FedProx在IMBA分布中表现出色，其正则化技术解决了问题。虽然联邦学习持有承诺，但其实施可能并不总是证明成本是合理的，尤其是如果FraMework仅解决了一些关键挑战时。裁缝联合配置可以优化汽车行业的预测性维护和异常检测，但是要仔细考虑有用性和基础设施成本，这对于长期成功而言是限制的。