基于脉冲神经网络的无线空中联邦学习

联邦学习可以在保护数据隐私的同时,快速地从大量分布式数据中提炼智能模型,已经成为实现边缘人工智能的主流解决方案。然而,现有的联邦学习工作聚焦于在无线网络边缘部署传统的深度神经网络(如卷积神经网络等),给移动设备带来了巨大的计算负载和能量消耗。因此,提出将一种新的低消耗神经网络——脉冲神经网络,应用于联邦边缘学习中。相较于传统的深度神经网络,它训练所需的计算量和能量消耗更低。同时,为了减少通信开销,在每一轮的联邦学习训练中,提出利用空中计算技术来聚合所有局部模型的参数。整个问题是一个二次约束二次规划问题,为解决该问题,提出了一种基于分枝定界算法的算法。通过在CIFAR10数据集上的大量实验表明,该算法优于现有方法,如半正定松弛等。

寿险业资产与保险配置对资产报酬率与损失率之纵横面资料分析

本文利用纵横面数据(Panel Data)欲探讨资产配置与保险配置对于资产报酬率及损失率之回归分析。首先,本文以各观察值之资产报酬率及损失率为分群变量,利用集群分析将研究样本区分为两集群的观察值,并对两集群的观察值进行主成分分析建立其资产配置与保险配置之模型,最后藉由纵横面数据分析较适当之回归模型,观察资产与保险配置对资产报酬率及损失率之影响因素。研究结果发现资产报酬率较适用随机效果模型,损失率较适用固定效果模型。再者,资产配置与保险配置间存有交互影响,而不同集群的观察值与资产配置及保险配置也存有交互影响,且影响资产报酬率及损失率之变项也有差异。