- 博客(7)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 联邦学习、区块链论文笔记4
论文题目：Lightweight Blockchain-empowered Secure and Efficient Federated Edge Learning期刊：IEEE Transactions on Computers作者：Rui Jin, Jia Hu, Geyong Min, Jed Mills关键字：联邦学习、区块链、互信息、边缘计算联邦学习假设所有客户端都信任中心的服务器，但这并不现实。客户端可以通过上传不好的模型更新来破坏联邦学习训练，而服务器可能发生故障或不当行为。
2023-10-21 23:44:44
196
原创 联邦学习、区块链论文笔记2
论文题目：InFEDge: A Blockchain-Based Incentive Mechanism in Hierarchical Federated Learning for End-Edge-Cloud Communications期刊：IEEE JOURNAL ON SELECTED AREAS IN COMMUNICATIONS.时间： DECEMBER 2022。
2023-10-21 23:04:31
220
原创 云边端架构下区块链与分层联邦学习结合相关研究
该架构下包含三类模型聚合，cluster 聚合、边缘聚合、全局聚合。cluster 聚合由cluster header完成，边缘聚合由基站完成，全局聚合由云服务器完成。在每个训练轮次，能力中等的设备用本地数据训练本地模型，然后将模型上传至cluster header，header 需要具备较强的计算能力（未必最强）。选出的Header 把他们的模型发送到基站，基站对cluster 模型进行边缘聚合并且将边缘模型上传至云服务器。目的是选择最优的强设备集合，作为聚合节点，选出Leader节点作为共识节点。
2023-10-21 22:33:14
311
原创 联邦学习、区块链论文笔记5
此外，当模型准确率满足任务需求，云服务器发送停止训练信息给EN，ENs广播信息给覆盖的ID。FL任务的类别数量是Z。此外，任务信息，例如除吃全局模型、任务训练配置、模型准确率要求将在智能合约中声明。本地模型训练的目的是找到一个最优函数：Fw：X-Y， x是本地训练数据，y是真实标签。将模型误差定义为具有Non-IID数据的HFL网络的全局模型与具有IID数据的中心学习方法的中心模型之间的差异，k+1轮边缘模型，Nm表示位于m下的ID集合，|Nm|是IDs的数量，xnm是ID n 和EN m的关联因子。
2023-09-20 10:36:58
199
原创 联邦学习、区块链论文笔记1
分层联邦学习相比与集中的联邦学习能够减轻网络负担和通信延迟。但分层联邦学习的瓶颈是大规模设备参与情况下高昂的通信和电能开销。本文提出了一个基于深度强化学习的NOMA环境下联合资源分配与设备编排策略，实现模型准确率提高，且降低IIOT环境下层架联邦学习的开销。 该问题被形式化为多目标优化问题，在计算能力和传输功率的限制下同时最小化延迟、电能、模型准确率。 提出基于DRL的算法求解。
2023-08-23 11:53:40
194
原创 RedHad安装软件（Mysql）失败解决方法
安装mysql 总是失败。提示：warning：rpmts_HdrFromFdno: Header V3 RSA/SHA256 Signature, key ID fd431d51:NOKEYPublic key for perl-DBD_MySQL-4.013-3.el6.x86_64.rpm is not installed经过查找资料 原因是由于yum安装了旧版本的GPG
2014-03-22 19:33:44
660
原创 RedHat未注册 无法使用yum的解决办法
RedHat是付费版本Linux 因此不注册不能使用yum装软件。有如下解决方法：1,用免费版本的linux 即centos2，用centos的源替换RedHat的源 。此方法网上教程比较多，但比较啰嗦。这里强调第三种做法3，配置redhat本地源建立 mkdir /isomount 查看光驱cp -rf /media/RHEL_6.4\ x86_64
2014-03-22 13:12:33
3971
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人