XiaoMi-AI文件搜索系统
World File Search SystemFederated
一种联合的深入强化学习方法
摘要：本文提出了使用联合加固学习（FRL）的多个智能建筑物的共享存储系统（SESS）的隐私能源管理（SESS）。为了保留与SESS连接的建筑物的能源计划的隐私，我们使用FRL方法提出了分布式的深入强化学习（DRL）框架，该方法由全球服务器（GS）和本地建筑能源管理系统（LBEMSS）组成。在框架中，LBEMS DRL代理仅与无需消费者的能耗数据的GS共享其训练有素的能源消耗模型的训练有素的神经网络。使用共享模型，GS执行了两个过程：（i）向LBEMS代理的全球能源消耗模型的构建和广播，以培训其本地模型，以及（ii）培训SESS DRL代理商的能源充电和从公用事业和建筑物中释放。模拟研究是使用带有太阳能电动系统的一台SES和三个智能建筑进行的。结果表明，所提出的方法可以安排和排放SESS的充电和排放，并在智能建筑环境下的智能建筑物中供暖，通风和空调系统的最佳能源消耗，同时保留建筑物能源消耗的隐私。
联邦图神经网络 - DR-NTU
摘要 — 图神经网络 (GNN) 近年来因其处理图数据的能力而引起了广泛的研究关注，并已广泛应用于实际应用中。随着社会越来越关注数据隐私保护的需求，GNN 面临着适应这一新常态的需求。此外，由于联邦学习 (FL) 中的客户端可能存在关系，因此需要更强大的工具来利用这些隐含信息来提高性能。这导致了联邦 GNN (FedGNN) 这一新兴研究领域的快速发展。这个有前途的跨学科领域对于感兴趣的研究人员来说极具挑战性。缺乏对这个主题的深入调查进一步加剧了进入的难度。在本文中，我们通过对这一新兴领域进行全面调查来弥补这一空白。我们提出了 FedGNN 文献的二维分类法：1) 主要分类法通过分析 GNN 如何增强 FL 训练以及 FL 如何协助 GNN 训练，为 GNN 和 FL 的集成提供了清晰的视角；2) 辅助分类法提供了 FedGNN 如何处理 FL 客户端之间的异质性的观点。通过讨论现有作品的关键思想、挑战和局限性，我们展望了未来的研究方向，这些方向可以帮助构建更强大、更可解释、更高效、更公平、更具归纳性和更全面的 FedGNN。
MNEMOSINE：联合飞行测试... - polimi
为了建立一个飞行实验室，满足研究和教学活动的需要和要求，米兰理工大学的航空工业部启动了一个项目，设计、开发和运行一套飞行测试仪表 (FTI) 系统，该系统将安装在该部门拥有和运营的 Tecnam P92 超轻型飞机 (ULM) 上。Mnemosine 就是这种努力的成果：它的开发考虑到了来自 ULM 世界（一类通常不进行任何强制性飞行测试活动的飞机）的特殊要求组合，以及该部门的特殊需要。Mnemosine 是一个分布式 FTI 系统，由越来越多的专用节点组成，这些节点通过共享数字数据总线交换信息。它基于行业标准 CANAerospace 协议，并提供了低成本、灵活性、可靠性、易维护性和可升级性的独特组合。
肌萎缩性侧面硬化症的寡聚结构具有基因检测，咨询和治疗意义
数据生成的迅速增加，结合了大型数据集的不切实际性以及机器学习任务的日益增长的复杂性，促进了分布式学习技术的发展。在其中，联邦学习（FL）由于其隐私保护方法而受到了极大的关注，在这种方法中，多个客户在不共享本地数据的情况下协作训练全球模型。但是，FL面临着几个关键的挑战，包括数据异质性，高计算成本和效率低下。这些问题在客户数据分布是非IID，计算资源有限的现实情况下变得更加明显，并且可以限制通信。本论文通过开发用于个性化联合学习（PFL）的有效算法和受到限制的联邦学习来解决这些挑战。所提出的方法旨在处理异质数据，最大程度地减少计算开销并降低沟通成本，同时保持强大的理论保证。具体而言，论文介绍了三个关键贡献：（1）PFL MF，一种基于低级矩阵优化的新型PFL公式，利用burer-Monteiro分解以实现个性化，而无需依赖预定义的距离指标。（2）PERMFL，一种用于多层PFL的算法，该算法介绍了针对团队和单个设备的个性化决策变量，从而在具有分层客户端结构的情况下有效地优化了。（3）FedFW，一种用于约束FL的无预测算法，该算法强调了通过稀疏信号交换的低计算成本，隐私保存和通信效率。通过解决FL中的关键问题，例如数据异质性，计算成本和通信瓶颈，拟议的算法推进了联合学习的领域，为实地世界应用提供了可靠的可扩展解决方案。
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。
面向基于联邦学习的协作自适应...
摘要：多微电网 (MMG) 通过提高智能电网的运营灵活性、稳定性和可靠性，为社会带来经济和环境效益。由于使用多种基础设施、通信协议、控制器和智能电子设备，MMG 比传统电网更复杂。MMG 的分布式和异构连接技术及其与外部来源交换信息的需求以及通信网络和基于软件的组件中的漏洞使 MMG 容易受到网络攻击。在本研究中，我们提出了一个协作自适应网络安全的概念框架，该框架能够主动检测安全事件。该框架利用联邦学习以分散的方式协作训练共享预测模型。本研究中使用的方法主要是分析性的。这涉及分析如何将协作自适应网络安全原则应用于 MMG 环境，从而开发理论模型，然后可以通过原型设计和实时模拟在实践中验证这些模型。
利用分散数据进行量子联邦学习
摘要 —变分量子算法 (VQA) 访问集中式数据来训练模型，使用分布式计算可以显著改善训练开销；然而，数据对隐私敏感。在本文中，我们提出了从分散数据中进行通信高效的 VQA 学习，即所谓的量子联邦学习 (QFL)。受经典联邦学习算法的启发，我们通过聚合本地计算的更新来共享模型参数，从而改善数据隐私。在这里，为了在参数环境中找到近似最优值，我们开发了传统 VQA 的扩展。最后，我们在变分量子张量网络分类器、Ising 模型的近似量子优化和分子氢的变分量子特征求解器中部署了 TensorFlowQuantum 处理器。我们的算法从分散数据中展示了模型的准确性，在近期处理器上具有更高的性能。重要的是，QFL 可能会激发安全量子机器学习领域的新研究。
联合的爱马仕全球权益ESG
1 Alpha模型是我们的“自动分析师”，它每天都会评估我们宇宙中每个可投资公司的吸引力。用于选择股票的指标是通过经济推理和统计有效性证明的，并且具有长期的重点，从而导致投资组合流动率较低。他们分为六个类别：估值，情感，增长，盈利能力，公司行为（包括治理）和资本结构。该模型标识哪些库存具有这些特征最有吸引力的组合，并且随后将输出用于创建优化的投资组合，旨在最大程度地提高风险调整后的回报。Alpha模型还使用来自我们负责任的投资和参与专家的专有数据，以在每个估值中对公司治理进行评估。
医疗保健中的联合机器学习-DR -NTU
联合学习（FL）是一个分布式机器学习框架，鉴于增加了健康数据隐私保护需求，它正在获得吸引力。通过对Healthcare的FL申请进行系统审查，我们确定了截至2023年8月31日，英语的科学，工程和医学期刊的相关文章。在最终分析中，总共有22,693篇文章中，有612篇文章包括612篇文章。大多数文章是概念验证研究，只有5.2％是使用FL的现实生活的研究。放射学和内科是FL涉及的最常见的专业。fl对各种机器学习模型和数据类型都是可靠的，神经网络和医学成像分别是最合并的。我们强调需要解决临床翻译的障碍，并在这个新的数字数据驱动的医疗保健领域评估其现实世界的影响。