微信里点“发现”，扫一下
二维码便可将本文分享至朋友圈
演讲摘要：联邦学习 (Federate Learning, FL) 作为一种快速发展的隐私保护协作机器学习范例，是在新兴的工业元宇宙中实现边缘智能的一种很有前途的方法。尽管许多成功的用例在理论上证明了 FL 的可行性，但在元宇宙的工业实践中，数据非独立同分布（non-i.i.d.）、流式工业数据导致的学习遗忘、通信带宽稀缺等问题仍然是实现实用 FL的主要障碍。同时面对上述三个挑战，设计了基于质心定理的同构分组方法（ICG: Inter-Cluster Grouping），动态分组和训练模式转换机制（Dynamic Sequential-to-Parallel Training, STP）语义存储和补偿机制（Semantic Compression and Compensation，SCC），层级交互同步协议（Layer-wise Alternative Synchronization Protocol，LASP）。大量实验验证，相比八个baseline，我们方案具有更高的准确性、更快的收敛速度、更少的运行时间和更低的通信成本。
讲者简介：电子科技大学信息与通信工程学院，教授，博导，副院长。研究兴趣为算网融合，智能网络，区块链等。发表网络领域高水平期刊论文50余篇，A类会议论文20余篇；入选ESI高被引论文2篇，最佳IFIP Network会议论文1篇；论文Google引用4000余次；出版学术专著4本；授权发明专利30余项。获2016年教育部自然科学二等奖1项。主持研发的“跨数据中心高性能分布式机器学习系统GeoMX”和“基于轻量级虚拟化的大规模网络创新平台Klonet”分别入选2021年未来网络领先创新科技成果奖和网络5.0创新科技成果奖。
第六届CCF中国区块链技术大会
工业元宇宙创新技术论坛
京公网安备11010802032778号