联合双维度用户调度的自适应联邦边缘学习

联邦边缘学习无需传输本地数据,在保护用户隐私的基础上,大大降低了上行链路压力。联邦边缘学习通过智能边缘设备,利用本地数据集训练局部模型后上传模型参数至中心服务器;中心服务器聚合本地上传的局部模型参数形成全局模型后进行更新,然后将更新后的模型下发给智能边缘设备开始新一轮迭代。但是局部模型精度以及局部模型训练时间,对全局模型聚合以及模型更新过程会产生重大影响。因此提出自适应动态批量梯度下降策略,在局部模型训练过程中自动调整梯度下降抽取的批量大小,优化联邦学习的局部模型精度及收敛速度。针对用户数据的非独立同分布特性,设计一种联合双维度用户调度策略的自适应动态批量梯度下降算法,通过收敛时间和数据多样性进行双维度约束。经MNIST数据集、fashion MNIST数据集和CIFAR-10数据集的训练测试,算法在有效降低聚合等待时间的同时能够进一步提高全局模型精度和收敛速度。与固定批量为64、128、256的梯度下降算法相比,该算法的全局模型精度在运行100 s时提升分别为32.4%、45.2%、87.5%。

面向星地协同网络的联邦边缘学习方法研究

目前地面蜂窝网络无法实现全球广域覆盖,同时抗毁性不高。低轨卫星网络的加入,弥补了地面蜂窝网络的不足。二者协同成为星地协同网络后可以打破两种网络之间互相独立的现状并结合它们的优点,是未来的发展趋势。在对星地协同网络中海量设备产生的大量数据进行分析处理时,易出现隐私信息泄露和数据孤岛问题。为解决上述问题,提出一种包含分层聚合和用户关联策略的联邦边缘学习算法。该算法通过分层聚合来适配星地协同网络,并通过用户关联策略实现时延和模型精度的联合优化。仿真表明,所提出的算法可以使协同网络中进行联邦边缘学习的全过程时延较低,同时可以得到较高的模型测试精度。

智能反射面赋能的联邦边缘学习及其在车联网中的应用

针对无线链路和数据分布的异构性导致在FEEL训练中很难实现无线通信和模型精度的最佳权衡的问题,提出了一种智能反射面(RIS)赋能的空中联邦边缘学习系统,其利用智能反射面的信道可重构性自适应地配置信号传播环境,并利用空中计算实现联邦边缘学习模型的快速聚合。具体来说,首先刻画无线信道和数据异构影响下的联邦优化算法收敛行为,并以此构造统一的无线资源优化问题,通过联合设计收发端波束成形方案和RIS相移来优化学习性能。仿真结果验证了所提方案的有效性,并证明RIS可以在数据异构前提下提高空中联邦边缘学习系统准确性。最后,探讨了其在车联网中应用的可能性。

边缘学习:隐私计算架构、技术现状与展望

边缘学习旨在实现云-边-端协同的机器学习模型训练和预测,天然具有一定隐私保护能力。但是,边缘学习过程面临新的安全与隐私泄露风险。为此,本文从边缘学习的概念出发,重点围绕边缘学习安全与隐私泄露风险及其隐私计算架构、关键技术、未来方向展开论述。

胞腔同调边缘学习算法研究

边缘划分问题是数据分析的核心问题之一.针对晶体数据的边缘分类问题,引入同调论的思想,提出了胞腔同调边缘算法和正则胞腔同调边缘学习算法及上同调边缘学习算法,并将其应用于晶体结构预测和分类.鉴于晶体数据满足对称群的基本性质,引用同调代数的方法从机器学习的角度来研究数据的边缘分类问题.为了从不同角度构造分类模型,先从相对同调边缘展开为局部同调和定向同调,再深入到上同调边缘算法和腔胞同调边缘算法,由着重系数定理扩展到正则胞腔同调,进而延伸至相对流形.仿真结果表明了算法的有效性.

一种同调边缘学习算法

面对复杂的数据,边缘问题是其核心问题之一。目前比较成功的算法有SVM最大边缘算法和TVQ算法,这些算法各有优缺点。论文针对目前方法中存在的一些不足,引进同调理论,用同调代数的思想构建了一种同调代数的边缘学习算法,并通过实验和实例进行验证。

基于边缘学习的低分辨率图像识别算法

由于受光照条件、拍摄角度、传输设备以及周围环境的影响,刑侦视频图像中的目标物体往往分辨率较低,难以识别。针对低分辨率图像识别问题,在经典LeNet-5识别网络的基础上,提出了一种基于边缘学习的低分辨率图像识别算法。首先由边缘生成对抗网络生成低分辨率图像的幻想边缘,该边缘与高分辨率图像边缘相近;再将该低分辨图像的生成边缘信息作为先验信息融合到识别网络中对低分辨率图像进行识别。在MNIST、EMNIST和Fashion-mnist三个数据集上分别进行实验,结果表明,将低分辨图像的幻想边缘信息融合到识别网络中可以提高低分辨率图像的识别率。

基于博弈优化边缘学习的物联网入侵检测研究

随着5G的商用和6G开始布局,海量物联网设备正在加速接入互联网,为新一代信息物理融合系统提供决策数据。物联网设备的高度异构及分布式特性使得物联网面临复杂威胁,这些威胁可使信息物理融合系统的关键决策失效。传统技术难以在保护节点隐私的前提下进行入侵检测且容易形成单点故障,同时缺乏协同入侵检测激励机制。因此,基于博弈优化边缘学习,研究了面向物联网的入侵检测系统。基于联邦学习在网络边缘构建了分布式隐私保护物联网入侵检测框架。在此基础上,基于多主多从博弈优化边缘学习过程,激励可信的入侵检测服务器及边缘设备参与边缘联邦学习。仿真实验证明了所提出的联网入侵检测系统的安全性和有效性。

基于边缘学习和联邦学习的新冠肺炎(COVID-19)高校防控管理模型研究

作为新冠肺炎疫情所有信息的重要入口,互联网成为这次疫情主要的“信息源”平台。在这场疫情阻击战中,能否以计算机技术为依托,融合多种算法深度挖掘和实时跟踪全网数据,从高校管理侧打造防疫战线,发挥计算机技术战“疫”价值?本文运用了边缘学习和联邦学习两项计算机技术,设计出一个针对高校新冠肺炎疫情防控的管理模型。通过边缘计算能够迅速得出分析结果,从而精准实施新冠肺炎防控措施。通过联邦计算可以在保证每位师生的信息安全前提下,快速分析高校所收集的师生数据,从而及时安排相应的防疫措施,避免新冠肺炎疫情进一步扩散。

6G联邦边缘学习新范式:基于任务导向的资源管理策略

综述了面向6G的联邦边缘学习技术,能够充分利用分布在网络边缘的丰富数据使之服务于人工智能模型训练,以联邦边缘学习为代表的边缘智能技术应运而生,其中无线资源管理策略将以最优化任务学习性能为导向,例如优化模型训练时间、学习收敛性等,从而实现从通信导向到任务导向的设计范式变革。首先,概述了联邦边缘学习基本概念、典型应用场景及其在无线资源管理中的关键问题。然后,以联邦边缘学习中带宽资源分配和用户调度策略为典型的资源管理案例,深入阐述了基于任务导向的设计范式思想。最后,对联邦边缘学习的未来潜在研究方向进行了展望,包括与无线空中计算、通信感知一体化等全新技术的融合赋能。

面向高效通信边缘学习网络的通信计算一体化设计

面向边缘学习网络,探讨了一种新型的基于空中计算的模型聚合方案,并对其中的关键使能技术展开论述。该方案利用无线多址信道的波形叠加特性将通信与计算在空中无缝融合,能够突破现有的通信-计算分离设计框架的局限性,从而大大提高频谱利用率,缓解了制约联邦式边缘学习大规模扩展的通信时延问题。

边缘学习:关键技术、应用与挑战

近年来,随着移动通信和人工智能技术的迅猛发展,大量智能终端已经联网并催生出海量数据。为了高效利用网络中的通信和计算资源并进一步释放人工智能的潜力,将传统基于专用数据中心的人工智能下沉到靠近用户终端的网络边缘已成为一种技术趋势。面向这种技术发展趋势,边缘学习被认为是一种具有广泛应用前景的人工智能实施方案。但是,目前对边缘学习的研究和应用仍处于起步阶段。为了促进技术发展,对边缘学习的关键技术、典型应用以及面临的机遇和挑战进行全面分析。首先,回顾边缘学习的发展背景,并分析其在传输时延、安全与隐私、扩展性和通信开销等方面相对于传统云学习的优势;其次,详细讨论实现边缘学习的3项关键技术:①分布式模型训练,包括聚合频率、梯度压缩、点对点通信和区块链技术;②面向边缘学习的高效无线通信技术,包括空中计算、通信资源分配和信号编码;③边缘学习卸载技术,包括计算和模型卸载技术。然后,分别以一种高可靠低时延车联网通信和一种基于计算与通信联合设计的智能图像分类系统为例,阐述上述关键技术在实际系统中的重要作用。最后,从通信与计算的联合优化、数据安全与隐私保护以及系统的开发与部署等3个方面讨论边缘学习面临的发展机遇与挑战。通过对最新研究现状的宏观分析,该综述将为边缘学习的进一步理论研究、技术创新和系统开发提供坚实的基础。

联邦边缘学习的低功耗带宽分配与用户调度

为了降低联邦边缘学习(federated edge learning, FEL)能耗,提出了应用于多服务器边缘蜂窝网络的联合资源优化分配策略,包含低功耗带宽分配(bandwidth allocation, BA)策略以及智能边缘用户调度机制。低功耗BA理论推导结果表明,为了实现在约束时间内的能耗最小化,应为计算能力较弱、信道条件较差的设备分配更大带宽。进一步,在本地边缘设备数据量差异较大和数据量近似两种情景下,模拟了智能边缘用户调度机制,并提出了时间平均筛选和时间峰值筛选两种优化策略。仿真结果表明,与参考算法相比,采用低功耗BA策略,传输功率最大可以降低43.5%,传输能耗最大降低17.7%;采用优化的用户调度策略可以进一步提升系统性能,其中,设备传输功率最大降低了56.5%,设备传输能耗最大降低了22%。

论边缘学习群体之成因——反思新课程理念下的边缘性问题

边缘学习群体在任何时候都存在,其成因是多方面的。在教学中,既不能舍本逐末,片面追求课堂形式的创新,又不能忽略边缘学习群体,更不能以单一的评价模式压制边缘学习群体的学习积极性。在新课改进程中,我们更要关注边缘学习群体,给他们最大限度的帮助。既夯实基础知识的教学,突出基本技能的训练,又重视边缘学习群体的困境,营造平等和谐的教学氛围,更要改革单一的评价机制,提高边缘学习群体的积极性和能动性,使最广大的学生从新课改中获益。

利用对抗性边缘学习模型生成超分辨率图像

大部分基于卷积神经网络的图像超分辨率方法都是采用端到端的模式,这类图像超分辨率方法往往存在重构图像纹理边缘模糊、高频信息缺失的问题。为了改善该问题,在SRGAN(super-resolution generation adversarial networks)的基础上提出了一种基于对抗性图像边缘学习的深层网络模型,将图像边缘信息得到充分利用,来引导超分网络生成更加真实的高分辨率图像。该网络模型由两个生成对抗网络所组成,首先利用一个生成对抗网络来生成低分辨率图像所对应的高分辨率边缘特征图,然后再用高分辨率边缘特征图来约束和引导第二个生成对抗网络,使之重构出来的高分辨率图像纹理边缘更加清晰,更好地恢复图像边缘的高频细节。在Set5、Set14、BSD100、Urban100和Manga109基准测试集上的实验结果表明该算法重构出的高分辨率图像更加接近真实的图像,在峰值信噪比、结构相似度和感知指标上都有不错的表现。

基于深度学习边缘检测和Hough变换的摇床矿物带边界提取和特征表示

摇床是一种应用广泛的重力选矿设备,也是钨、锡矿主要的选矿设备。影响选矿摇床分选指标的因素错综复杂,通过有经验的工人去不断优化调参,即是耗时耗力的,也是不准确的。已经有各种图像处理技术应用到选矿中,大部分在浮选选矿中,效果很好,考虑到选矿摇床排矿区域大和环境更加复杂,传统的阈值分割和边缘提取算子难以准确地检测出我们需要的边缘特征,故采用基于深度学习边缘检测算法和Hough变换的方法,能够从复杂环境下的矿物带图像中提取出矿物精矿带边界线和摇床边界线的特征,解决了摇床自动控制系统中机器视觉识别摇床分选状态问题,对选矿摇床分选过程控制模型的研究具有重要意义。

基于边缘机器学习与云平台的压感地板室内检测系统设计

随着我国智能家居产业的快速发展,前装性智能家居的概念也逐渐被人们认可,而将传感器大面积铺设作为智能地板的相关研究还比较缺乏。针对于此,设计了一种基于边缘机器学习与云平台的压感地板室内检测系统,通过铺设的压感地板采集表面压力变化情况,使用MCU上部署的边缘计算模型,将数据进行“类图像”的记录与智能分析,拟识别生物活动轨迹等,实现对室内环境的监测;并通过对外接口控制各种智能家居设备,同时通过MQTT协议将数据与结果上传至云平台实现数据可视化。实验结果表明,系统具有较高的识别准确率,较快的响应速度,同时减少了云端负担。

学习者的边缘性:从不适走向成长——教学模式与学习方式的调适路径

当学习者感到很难适应于教育环境并从中受益时存在的状态,即为学习者的边缘性。学习者对于外在不适的教学模式或方法会产生排斥,这就使学习者的边缘性得以产生。学习者边缘性的出现同时又是学习的必要条件。当我们认识到学习者边缘性在教学模式的构建和学习方式的选择,以及两者之间的调适在教学研究和实践中的重要意义的时候,我们就为解决教师教育和课堂教学中长期存在的低效、无效现象找到了一个新的研究视角。

基于三路径网络的医学图像分割方法

卷积神经网络由于强大的特征提取能力在医学图像分割任务上取得一定进展,但仍需提升边缘分割的准确性.为此,文中提出基于边缘选择图推理的三路径网络,包括目标定位路径、边缘选择路径和细化路径.在目标定位路径中,设计多尺度特征融合模块,聚合高级特征,实现病变区域的定位.在边缘选择路径中,构造边缘选择图推理模块,用于低级特征的边缘筛选,并进行图推理,保证病变区域的边缘形状.在细化路径中,建立渐进式组级细化模块,逐步细化不同尺度特征的结构信息与细节信息.此外,引入融合加权Focal Tversky损失和加权交并比损失的复合损失,减轻类不平衡的影响.在公开数据集上的实验表明,文中方法性能较优.

邻域同调学习算法

目前已有的边缘学习算法对边缘可变的数据划分问题存在一些不足,这些算法在分类过程中不能有效地保证数据的结构特征不变。因而文章首先通过引进同调代数中的单形划分理论,从机器学习的角度对分类问题中的边缘划分进行研究,提出了一种邻域同调学习算法。算法给出了图形的邻域复形的构造方法和判断2个给定图形相似性的判定标准。最后通过在USPS_ALL手写数字集数据库和MPEG7 CE图像库上与SVM、TVQ算法的对比实验验证了本算法的有效性。