XiaoMi-AI文件搜索系统
World File Search SystemFederated
利用联邦学习实现 6G 无处不在的 AI
摘要 — 随着 5G 蜂窝系统在全球范围内的积极部署，研究界已开始探索下一代即 6G 的新技术进步。人们普遍认为，6G 将建立在无处不在的 AI 的新愿景之上，这是一种超灵活的架构，将类似人类的智能带入网络系统的各个方面。尽管前景广阔，但预计在基于 AI 的无处不在的 6G 中会出现一些新挑战。尽管已经进行了许多将 AI 应用于无线网络的尝试，但这些尝试尚未在实际系统中大规模实施。关键挑战之一是难以在大量异构设备之间实现分布式 AI。联邦学习 (FL) 是一种新兴的分布式 AI 解决方案，可在异构和潜在的大规模网络中实现数据驱动的 AI 解决方案。尽管它仍处于早期发展阶段，但受 FL 启发的架构已被认为是实现 6G 中无处不在的 AI 最有希望的解决方案之一。在本文中，我们确定了推动 6G 与 AI 融合的需求。我们提出了一种基于 FL 的网络架构，并讨论了其解决 6G 中预期的一些新挑战的潜力。我们还讨论了支持 FL 的 6G 的未来趋势和关键研究问题。
自适应联邦学习和工业数字孪生...
摘要 — 工业物联网 (IoT) 支持随着动态和实时工业环境而变化的分布式智能服务，以实现工业 4.0 的优势。在本文中，我们考虑了一种数字孪生赋能工业物联网的新架构，其中数字孪生捕获工业设备的特征以协助联邦学习。注意到数字孪生可能会带来与设备状态实际值的估计偏差，在联邦学习中提出了一种基于信任的聚合来减轻这种偏差的影响。我们基于 Lyapunov 动态赤字队列和深度强化学习自适应地调整联邦学习的聚合频率，以提高资源约束下的学习性能。为了进一步适应工业物联网的异构性，提出了一种基于聚类的异步联邦学习框架。数值结果表明，所提出的框架在学习准确性、收敛性和节能方面优于基准。
隐私影响评估 (PIA) 全球联合...
c. 描述此国防部信息系统或电子收集的用途，并描述系统中收集的个人个人信息类型。 DISA 实施的全球联合用户域，用于提供国防部企业应用程序、工作区、协作工具和文件存储。此外，DISA 使用身份同步服务 (IdSS) 填充和维护国防部组件网络和系统中的个人数据元素，例如目录服务和帐户配置系统。通过 CAC 身份验证访问国防企业配置在线 (DEPO)] 工具。收集的 PII 类型姓名、国防部 ID 号、其他 ID 号、安全信息、等级/级别、职位/头衔、公务电话、就业信息、公务地址、工作电子邮件地址、军事记录、邮寄/家庭地址、家庭/手机、公民身份和其他。
垂直联合学习中的标签泄漏：调查
垂直联合学习（VFL）是一个分布式机器学习范式，它使用具有功能的被动方和带有其他标签的主动聚会进行协作训练模型。虽然VFL通过数据局部iZation提供隐私保护，但标签泄漏的威胁仍然是一个重要的挑战。标签泄漏是由于标签推理攻击而发生的，在这种情况下，被动方试图推断标签的隐私和商业价值。已经对这种特殊的VFL攻击进行了广泛的研究，但仍缺乏全面的摘要。为了弥合这一差距，我们的论文旨在调查现有的标签推理攻击和侵害。我们分别针对标签推理攻击和防御措施提出了两个新的分类法。除了总结当前的研究状态外，我们强调了我们认为具有强大的技术，并且可能会影响未来的研究。此外，总结了实验基准数据集和评估指标，以提供后续工作的指南。
海报：联合多模式医学数据生成
摘要 - 医疗保健中的深度学习面临挑战，例如有限的注释电子健康记录（EHR），数据隐私问题和不平衡数据集。大多数综合数据方法都集中在没有隐私保护的单个数据类型上。为了克服这些限制，提议的联合隐私 - 保存多模式生成（FPMG）框架将联合学习原理集成了分散培训的联合学习原理，而无需直接数据访问。它提出了一个多模式生成对手模型，以在保留隐私时创建全面的合成数据。孤岛联合学习用于分散培训，以维持患者的隐私。多模式生成系统捕获健康特征之间的复杂关联，增强了合成数据质量和疾病的理解。初步研究成功地产生了合成图像，包括Covid-19和肺癌等罕见的共发生。I. i ntroduction
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。
对联合生成模型的系统评价-Arxiv
允许将本工作的全部或一部分供个人或课堂使用的数字或硬副本授予，而没有费用，只要副本不是盈利或商业优势，并且副本带有此通知和首页上的完整引用。必须尊重他人拥有的这项工作的组件版权。允许用信用摘要。否则复制或重新出版以在服务器上发布或重新分配到列表，需要事先特定的许可和/或费用。请求权限从permissions@acm.org。
IIOT
摘要：随着人工智能（AI）技术的成熟度，AI在边缘计算中的应用将大大促进工业技术的发展。但是，关于工业互联网（IIOT）的边缘计算框架的现有研究仍然面临着几个挑战，例如深层硬件和软件耦合，多样的协议，AI模型的困难部署，边缘设备的计算能力不足以及敏感性以及延迟和能源消耗的敏感性。为解决上述问题，本文提出了一个软件定义的面向AI的三层IIOT IIOT EDGE计算框架，并介绍了面向AI的Edge Computing System的设计和实施，旨在支持设备访问，使设备访问能够访问和部署AI，从云中进行AI，并允许整个模型从数据驱动到模型培训以完成模型培训以完成Edge的模型。此外，本文提出了一种基于时间序列的方法，用于在联合学习过程中卸载设备选择和卸载，该方法将低效节点的任务有选择地卸载到边缘计算中心，以减少训练延迟和能源消耗。最后，进行了实验以验证所提出方法的可行性和有效性。使用该方法的模型训练时间通常比随机设备选择方法低30％至50％，而在拟议方法下的训练能量消耗通常少35％至55％。
联合学习的最佳客户选择算法
research p oster s ummary联合学习（FL）系统[5]允许培训机器学习模型分布在多个客户端，每个客户都使用私人数据。传统上，在几轮中，FL执行三个步骤直到停止条件发生：1。服务器将全局模型权重发送给客户端； 2。每个客户端在本地使用私人数据训练模型，并将其权重发送给服务器；和3。服务器合并了客户端的权重，以制定改进的全局模型。由于资源和数据的异质性，客户选择在FL系统的功效[1]，[2]，[6]，[8]，[8]，[11] - [14]中起着至关重要的作用。训练回合所花费的时间由最慢的客户确定。此外，能源消耗和碳足迹也被视为主要问题。在这种情况下，我们提出了FL：MEC和ECMTC的两种最佳时间和能源的客户选择算法。第一个将训练时间和总能量消耗最小化，而第二个则逆转了两个指标之间的优先级，同时还要满足截止日期。尽管相关工作的贡献，但据我们所知，这项工作是第一个提出算法，通过共同优化执行时间和能源消耗，同时定义每个客户应在本地使用多少数据，从而使具有异质资源的客户选择算法。在我们的方法中，客户选择被建模为必须分配给一组客户端r的任务t数。每个客户端I具有一组分配容量（A I），其中任务象征着本地数据单位。此外，我有时间（P I）和能量（E I）成本与其分配的任务数（X I）相关的每个客户端。给定的一轮具有与其所选客户端相关的pan和en gy的费用，分别表示为优化目标c max和σe，它们定义为c max：= maxi∈Rp i（x i）和σe：= p