XiaoMi-AI文件搜索系统
World File Search SystemFederated
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％。
咖啡馆：地理分布数据中心中的碳意识联合学习
培训大规模人工智能（AI）模型需要大量的计算能力和能量，从而导致碳足迹增加，并带来潜在的环境影响。本文深入研究了跨地理分布（地理分布）数据中心训练AI模型的挑战，强调了学习绩效与碳足迹之间的平衡。我们将联合学习（FL）视为解决方案，将模型参数交换优先于原始数据，从而确保数据隐私并遵守本地法规。鉴于各个地区的碳强度的可变性，我们提出了一个名为CAFE的新框架（碳吸引联合学习的缩写），以优化固定碳足迹预算内的培训。我们的方法结合了核心选择以评估学习绩效，采用Lya-punov漂移加上五型框架来解决未来碳强度的不可预测性，并设计有效的算法来解决数据中心选择的组合复杂性。通过使用现实世界中的碳强度数据进行广泛的模拟，我们证明了算法的功效，强调了其优于现有方法在优化学习性能的同时最小化环境影响的优势。
量子的基础是经典和量子网络的联合学习的基础
量子量子联合学习（QFL）是一个新颖的框架，将分类联合学习（FL）的优势与量子技术的计算能力相结合。这包括量子计算和量子机学习（QML），使QFL能够处理高含量的复杂数据。QFL可以在经典和量子通信网络上部署，以使信息受益 - 理论安全级别超过传统的FL框架。在本文中，我们对QFL的挑战和机遇进行了首次全面调查。我们特别检查了QFL的关键组成部分，并确定在经典和量子网络中部署它时会出现的独特挑战。然后，我们开发新的解决方案并阐明可以帮助应对所确定挑战的研究方向。我们还提供了可行的建议，以推进QFL的实际实现。
经典和量子网络上的量子联邦学习基础
摘要 — 量子联邦学习 (QFL) 是一种新颖的框架，它将经典联邦学习 (FL) 的优势与量子技术的计算能力相结合。这包括量子计算和量子机器学习 (QML)，使 QFL 能够处理高维复杂数据。QFL 可以部署在经典和量子通信网络上，以便从超越传统 FL 框架的信息理论安全级别中受益。在本文中，我们首次全面调查了 QFL 的挑战和机遇。我们特别研究了 QFL 的关键组件，并确定了在经典和量子网络上部署 QFL 时出现的独特挑战。然后，我们开发了新颖的解决方案并阐明了有希望的研究方向，以帮助解决已发现的挑战。我们还提供了可行的建议，以推进 QFL 的实际实现。
全脑放射组学在脑肿瘤分割中的聚类联合个性化
联邦学习及其在医学图像分割中的应用最近已成为一个热门的研究课题。这种训练范式存在参与机构本地数据集之间的统计异质性问题，与传统训练相比，会导致收敛速度减慢以及潜在的准确性损失。为了减轻这种影响，联邦个性化应运而生，即每个机构一个模型的联邦优化。我们提出了一种新颖的个性化算法，该算法针对不同机构使用不同扫描仪和采集参数引起的特征变化而量身定制。该方法是第一个考虑机构间和机构内特征变化（单个机构使用多台扫描仪）的方法。它基于在每个中心内计算一系列放射组学特征，捕捉每个 3D 图像体积的整体纹理，然后进行聚类分析，将所有特征向量从本地机构传输到中央服务器。然后，每个计算出的聚类分散数据集（可能包括来自不同机构的数据）用于微调通过经典联邦学习获得的全局模型。我们在联邦脑肿瘤分割 2022 挑战数据集 (FeTS2022) 上验证了我们的方法。我们的代码可在 (https://github.com/MatthisManthe/radiomics_CFFL) 上找到。关键词：联邦学习、联邦个性化、分割、脑肿瘤分割。
注意：调节注意力市场并防止算法情感治理的呼吁
摘要：联合学习（FL）是一个分布式范式，它使多个客户能够在不共享其敏感本地数据的情况下协作训练模型。在这种隐私敏感的环境中，同态加密（HE）通过对加密数据启用计算来起重要作用。这阻止了服务器在聚合过程中进行逆向工程模型更新，以推断私人客户数据，这是在医疗保健行业（患者conditions contions contementies contementies contementions pmagemation is Pamentaint''的情况下的重要关注。尽管有这些进步，但FL仍容易受到培训阶段恶意参与者的知识产权盗窃和模型泄漏的影响。为了抵消这一点，水标作为保护深神经网络（DNNS）的知识产权的解决方案。但是，传统的水印方法与HE不兼容，这主要是因为它们需要使用非溶液功能，而HE并非本地支持。在本文中，我们通过提出单个同型加密模型上的第一个白色框DNN水印调制来解决这些挑战。然后，我们将此调制扩展到符合他处理约束的服务器端FL上下文。我们的实验结果表明，所提出的水印调制的性能等效于未加密域上的水印。
greendfl：评估分散联合学习系统可持续性的框架
上下文：分散的联合学习（DFL）是一个新兴的范式，可以实现无需集中数据和模型聚合的协作模型培训，从而增强了隐私和弹性。然而，随着能源消耗和碳排放量在不同的系统配置中有所不同，其可持续性仍未得到充满信心。了解DFL的环境影响对于优化其设计和部署至关重要。目标：这项工作旨在开发一个全面和运营的框架来评估DFL系统的可持续性。为了解决它，这项工作提供了一种系统的方法来量化能耗和碳排放，从而提供了有关提高DFL可持续性的见解。方法：这项工作提出了Greendfl，这是一个完全可实现的框架，已集成到现实世界的DFL平台中。greendfl系统地分析了各种因素的影响，包括硬件加速器，模型架构，通信介质，数据分布，网络拓扑和联邦规模，对DFL系统的可持续性。此外，开发了一种可持续性感知的聚合算法（GREENDFL-SA）和节点选择算法（GREENDFL-SN），以优化能源效率并减少DFL培训中的碳排放。结果：经验实验是在多个数据集上进行的，在DFL生命周期的不同阶段测量能耗和碳排放。结果表明，本地培训主导了能耗和碳排放，而沟通的影响相对较小。使用GPU代替CPU来优化模型复杂性，并从策略上选择参与节点可显着提高可持续性。此外，使用有线通信，尤其是光纤，有效地减少了通信阶段的能源消耗，同时整合早期停止机制进一步最小化了总体排放。结论：拟议的Greendfl提供了一种评估DFL系统可持续性的全面和实用方法。此外，它提供了提高DFL环境效率的最佳实践，从而使可持续性考虑在现实世界部署中更具可行性。
联合电信枢纽6G研究合作基金（THRPF）
在切达（Cheddar），我们试图将新项目与我们的三个一般研究支柱保持一致：1。新兴电信系统，2。可持续系统和3。以人为中心的系统。We encourage the co-creation of new ideas in the fields such as: Multi-access Edge Computing (MEC), Intelligent Cloud-Native RAN, Cloud Native Networked Control Systems, Digital Twins, Foundational Models, 6G Carbon-Neutrality, ISAC, Green AutoML, Trustworthy AI in Network Optimisation, Formal Verification, Network Intelligence Privacy, Security and Post-Quantum.Joiner将在代表性条件和规模下对电信研发的实验验证，以推动影响力的结果。Joiner将提供国家分布式基础设施，以支持增强的实验，协作和开发电信R＆D。最初，我们的目标是结合10个大学研究实验室和Sonic Lab（数字弹射器），以促进整个学术界的合作，同时使行业与中小企业参与实验研究。这样的测试床对于支持电信研发至关重要，以解决跨技术（软件和硬件）的端到端挑战，复杂性和共同依赖性，这是对未来网络的核心挑战，并且是6G开发的关键重点。
联合离线加固学习：协作单政策的覆盖范围就足够
离线增强学习（RL）试图使用离线数据学习最佳策略，由于其在在线数据收集不可行或昂贵的关键应用程序中的潜力，因此引起了极大的兴趣。这项工作探讨了联合学习对离线RL的好处，旨在协作利用多个代理商的离线数据集。专注于有限的情节表格马尔可夫决策过程（MDPS），我们设计了FedLCB-Q，这是针对联合离线RL量身定制的流行无模型Q学习算法的变体。FedLCB-Q更新了具有新颖的学习率时间表的代理商的本地Q-功能，并使用重要性平均和精心设计的悲观惩罚项将其在中央服务器上汇总。Our sample complexity analysis reveals that, with appropriately chosen parameters and synchronization schedules, FedLCB-Q achieves linear speedup in terms of the number of agents without requiring high-quality datasets at individual agents, as long as the local datasets collectively cover the state-action space visited by the optimal policy, highlighting the power of collaboration in the federated setting.实际上，样本复杂性几乎与单代理对应物的复杂性匹配，好像所有数据都存储在中心位置，直到地平线长度的多项式因子。此外，fedlcb-Q是通信有效的，其中通信弹的数量仅相对于地平线长度与对数因素有关。
联合电信枢纽6G研究合作基金（THRPF）
在切达（Cheddar），我们试图将新项目与我们的三个一般研究支柱保持一致：1。新兴电信系统，2。可持续系统和3。以人为中心的系统。We encourage the co-creation of new ideas in the fields such as: Multi-access Edge Computing (MEC), Intelligent Cloud-Native RAN, Cloud Native Networked Control Systems, Digital Twins, Foundational Models, 6G Carbon-Neutrality, ISAC, Green AutoML, Trustworthy AI in Network Optimisation, Formal Verification, Network Intelligence Privacy, Security and Post-Quantum.Joiner将在代表性条件和规模下对电信研发的实验验证，以推动影响力的结果。Joiner将提供国家分布式基础设施，以支持增强的实验，协作和开发电信R＆D。最初，我们的目标是结合10个大学研究实验室和Sonic Lab（数字弹射器），以促进整个学术界的合作，同时使行业与中小企业参与实验研究。这样的测试床对于支持电信研发至关重要，以解决跨技术（软件和硬件）的端到端挑战，复杂性和共同依赖性，这是对未来网络的核心挑战，并且是6G开发的关键重点。