XiaoMi-AI文件搜索系统
World File Search SystemFederated
对连接和自动化车辆联合学习的调查
摘要 - 连接和自动化的车辆（CAVS）代表汽车领域中快速增长的技术，提供了有希望的解决方案，以应对诸如交通事故，拥堵和污染等挑战。通过利用骑士，我们有机会建立一个安全，高效且在环境上可持续的运输系统。基于机器学习的方法被广泛用于CAVS中，以用于感知，计划和控制等关键任务，在这种任务中，CAVS中的机器学习模型仅通过本地车辆数据训练，并且在暴露于新环境或看不见的情况下的性能不确定。联合学习（FL）是一种分散的机器学习方法，使多个车辆能够在分布式学习框架中开发协作模型。fl使骑士能够从广泛的驾驶环境中学习并改善其整体性能，同时确保当地车辆数据的隐私和安全性。在本文中，我们回顾了研究人员在将FL应用于骑士方面取得的进展。提供了在CAVS上实现的各种数据模式和算法的更广泛的看法。详细审查了FL的特定应用，并对研究挑战进行了分析。
能源受限的物联网设备的联合学习
联合机器学习（FED ML）是一种新的分布式机器学习技术，用于使用客户的本地数据进行协作训练全球模型，而无需传输。节点仅发送参数更新（例如，在神经网络的情况下，重量更新），这些更新由服务器融合在一起以构建全局模型。通过不泄露节点数据，提供ML保证其机密性，网络安全的关键方面，这使其能够在数据敏感的物联网（IoT）和移动应用程序的上下文中使用，例如智能地理位置和智能电网。但是，大多数物联网设备特别受到限制，这增加了优化美联储ML流程以进行有效的培训任务和优化功耗。在本文中，据我们所知，我们对FEDML优化技术进行了第一个系统的映射研究（SMS），以实现能源约束的IoT设备。从总共800多篇论文中，我们选择了67个满足我们标准的67，并使用一组精心选择的研究问题对该领域进行了结构化的概述。最后，我们试图分析能源受限的美升ML最新技术，并试图概述研究社区的一些潜在建议。
多对比度MRI合成的个性化联合学习
通过多机构合作进行大型，多样化的MRI数据集的策划可以帮助改善对可靠地转化为目标对比图像的可靠合成模型的学习。为了促进合作，联邦学习（FL）采用了分散的模型培训，同时通过避免共享成像数据来减轻隐私问题。然而，传统的FL方法可能会因数据分布中固有的异质性而损害，并且域在成像位点内和跨成像位点的变化。在这里，我们介绍了MRI合成的第一种个性化FL方法（PFLSYNTH），该方法通过模型专业化对数据异质性的可靠性提高了单个站点和合成任务（即源目标对比）。为此，PFLSHNTH利用了配备有新型个性化块的对抗模型，该模型控制了特定于站点和任务的潜在变量，该块控制了空间/通道尺寸的生成特征图的统计数据。为了进一步促进沟通效率和现场专业化，部分网络聚合是在以后的发电机阶段进行的，而较早的发电机阶段和鉴别器则在本地进行了培训。因此，PFLSYNTH实现了多任务合成模型的多任务培训，其跨站点和任务具有高概括性能。全面的实验证明了MRI合成中PFLSHTH与先前联合方法的卓越性能和可靠性。
FedZero：在联邦学习中利用可再生过剩能源
联邦学习 (FL) 是一种新兴的机器学习技术，它支持跨数据孤岛或边缘设备进行分布式模型训练，而无需数据共享。然而，与集中式模型训练相比，FL 不可避免地会带来效率低下的问题，这将进一步增加未来机器学习本已很高的能耗和相关的碳排放。减少 FL 碳足迹的一种方法是根据电网中特定时间和地点可能出现的可再生过剩能源的可用性来安排训练作业。然而，面对如此不稳定且不可靠的资源，现有的 FL 调度程序无法始终确保快速、高效和公平的训练。我们提出了 FedZero，这是一个专门依靠可再生过剩能源和计算基础设施的闲置容量运行的 FL 系统，可有效地将训练的运营碳排放量降至零。通过利用能源和负荷预测，FedZero 通过选择客户端实现快速收敛和公平参与，从而利用过剩资源的时空可用性。我们基于实际的太阳和负载轨迹进行的评估表明，在上述约束条件下，FedZero 的收敛速度明显快于现有方法，同时消耗的能量更少。此外，它对预测误差具有很强的鲁棒性，可扩展到数万个客户端。
量子联邦学习：分析、设计和实施挑战
摘要 — 量子联邦学习 (QFL) 因量子计算和机器学习的进步而备受关注。随着对 QFL 的需求不断激增，迫切需要了解其在分布式环境中的复杂性。本文旨在全面概述 QFL 的现状，解决现有文献中的关键知识空白。我们为新的 QFL 框架开发想法，探索应用程序的不同用例，并考虑影响其设计的关键因素。在介绍未来研究方向和有待进一步探索的开放问题的同时，我们研究了各种 QFL 研究项目的技术贡献和局限性。索引术语 — 量子联邦学习、量子机器学习、分布式人工智能
FedZero：在联邦学习中利用可再生过剩能源
联邦学习 (FL) 是一种新兴的机器学习技术，它支持跨数据孤岛或边缘设备进行分布式模型训练，而无需数据共享。然而，与集中式模型训练相比，FL 不可避免地会带来效率低下的问题，这将进一步增加未来机器学习本已很高的能耗和相关的碳排放。减少 FL 碳足迹的一种方法是根据电网中特定时间和地点可能出现的可再生过剩能源的可用性来安排训练作业。然而，面对如此不稳定且不可靠的资源，现有的 FL 调度程序无法始终确保快速、高效和公平的训练。我们提出了 FedZero，这是一个专门依靠可再生过剩能源和计算基础设施的闲置容量运行的 FL 系统，可有效地将训练的运营碳排放量降至零。通过利用能源和负荷预测，FedZero 通过选择客户端实现快速收敛和公平参与，从而利用过剩资源的时空可用性。我们基于实际的太阳和负载轨迹进行的评估表明，在上述约束条件下，FedZero 的收敛速度明显快于现有方法，同时消耗的能量更少。此外，它对预测误差具有很强的鲁棒性，可扩展到数万个客户端。
贝叶斯相似度加权聚合用于联合脑肿瘤分割
度量贝叶斯+UCB SimAgg RegAgg 模拟时间（小时） 47.45 78.14 78.13 预计收敛分数 0.7264 0.7273 0.7227 DICE 标签 0 0.9977 0.9978 0.9980 DICE 标签 1 0.6844 0.6657 0.6561 DICE 标签 2 0.7257 0.6430 0.6665 DICE 标签 4 0.7464 0.7603 0.7313
与恶意演员联合学习的安全多方聚集
摘要 - 填充学习（FL）是机器学习越来越流行的方法（ML），在培训数据集高度分布的情况下。客户在其数据集中执行本地培训，然后将更新汇总到全球模型中。现有的聚合协议要么效率低下，要么不考虑系统中恶意参与者的情况。这是使FL成为隐私敏感ML应用的理想解决方案的主要障碍。我们提出E LSA，这是FL的安全聚合协议，它打破了此障碍 - 它是有效的，并解决了其设计核心的恶意参与者的存在。与PRIO和PRIO+的先前工作类似，E LSA提供了一种新颖的安全聚合协议，该协议是由两台服务器构建的，该协议是在两台服务器上构建的，只要一台服务器诚实，捍卫恶意客户端，并且是有效的端到端。与先前的工作相比，E LSA中的区别主题是，客户不是交互产生加密相关的服务器，而是在不损害协议安全性的情况下充当这些相关性的不受信任的经销商。与先前的工作相比，这导致了更快的协议，同时还可以实现更强的安全性。我们引入了新技术，即使服务器是恶意的，在运行时的较小成本为7-25％，而对于半honest服务器的情况，通信的增加而言可以忽略不计。我们的工作改善了先前工作的端到端运行时，具有相似的安全保证的大幅度保证 - 单格聚集器ROFL最多305 x（对于我们考虑的模型），并最多分配了8 x。
feddrl：值得信赖的联合学习模型融合方法...
摘要。联合学习促进了多个参与者之间的协作数据分析，同时保留用户隐私。但是，常规联合学习方法通常采用加权平均技术来进行模型融合，面临两个重要的挑战：1。将恶意模型纳入福音过程会大大破坏汇总全局模型的准确性。2。由于设备和数据的异质性问题，客户端的数量不能确定模型的重量值。为了解决这些挑战，我们提出了一种基于强化学习（FEDDRL）的值得信赖的模型融合方法，其中包括两个阶段。在第一个阶段，我们提出了一种可靠的客户选择机制，以将恶意模型排除在融合过程中。在第二阶段，我们提出了一种自适应模型融合方法，该方法根据模型质量动态分配权重以汇总最佳的全局模型。最后，我们在五个不同的模型融合场景上验证了我们的方法，这表明我们的算法显着增强了可靠性，而不会损害任何认可。
一项关于联邦未来学习的调查：挑战，方法和未来的方向
近年来，“被遗忘的权利”（RTBF）的概念已成为数字信任和人工智能安全数据隐私的关键方面，需要提供支持根据要求删除个人数据的机制。因此，机器学习（MU）引起了相当大的关注，这使ML模型可以选择性地消除可识别的信息。从MU演变出来的是，联邦未学习（FU）已经出现了，以面对联合学习（FL）设置中数据擦除的挑战，该设置促使FL模型能够取消fl客户端或与客户有关的可识别信息。尽管如此，联邦学习的独特属性引入了FU技术的特定挑战。这些挑战需要在开发FU算法时进行量身定制的设计。虽然在该领域存在各种概念和许多联合的未学习方案，但统一的工作流程和FU的量身定制设计尚不清楚。因此，这项全面的调查深入研究了FU的技术和方法，提供了基本概念和原则的概述，评估了现有的联邦未学习算法，并审查了针对联邦学习量身定制的优化。此外，它讨论了实际应用并评估其局限性。最后，它概述了未来研究的有希望的方向。