An Efficiency-boosting Client Selection Scheme for Federated Learning with Fairness Guarantee论文阅读

最新推荐文章于 2025-06-24 11:56:14 发布
最新推荐文章于 2025-06-24 11:56:14 发布
阅读量193 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： 论文 联邦学习 客户选择 文章标签： 机器学习 深度学习 数学建模
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/luoyejuanqiufeng/article/details/134420622
这篇文章探讨了ContextualCombinatorialBandit(CCMAB)和CCUCB在多元化在线推荐中的应用，引用了L.Qin、S.Chen和X.Zhu在2014年SIAM数据挖掘会议上的一项工作，还提及了Lyapunov优化的相关内容。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

Introduce

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

相关阅读：

1、L. Qin, S. Chen, and X. Zhu, “Contextual combinatorial bandit
and its application on diversified online recommendation,” in Proceedings of the 2014 SIAM International Conference on Data Mining.
SIAM, 2014, pp. 461–469.（CCMAB， CCUCB）
2、https://zhuanlan.zhihu.com/p/660985502 Lyapunov优化

文献阅读：Client Selection for Federated Learning with Heterogeneous Resources in Mobile Edge
whitevegetable的博客
11-07 3032
背景 在用户异构（用户的通信、计算能力不同）的蜂窝网络中，传统的联邦学习会很低效。这是因为传统联邦学习中每轮参与模型训练的用户是随机选取的，这样如果一轮中选取的某些用户的通信、计算能力较差，那么其模型训练、上传所需的时间就更长，进而拖延本轮的模型聚合步骤，最终导致整个模型训练效率的低下。 研究内容 论文提出了FedCS协议，将传统联邦学习的随机选取参与用户改为由用户的资源情况选择尽可能多的“优质”用户来进行模型更新。图示如下： FedCS协议的具体步骤： 1....
联邦学习节点选择
qq_46034128的博客
10-16 914
大多数联邦学习算法假设工人是可信的，并且自愿参与合作模型训练过程。但实际应用中的情况与此并不相符。
强化学习节点选择
qq_46034128的博客
12-08 592
包含大量数据的客户端往往会提供更多的信息，导致更大的权重变化。在早期的全局迭代中拥有更少的客户端，而在后期的全局迭代中拥有更多的客户端可以获得更高的模型精度。状态：t 时刻环境状态，任务i 的信息， Cti 表示终端设备在t 时刻可用于 FL 任务i 的资源， H t−1i 表示终端设备在上一时刻的数据集， at−1i表示上一时刻的节点选择方案。面向高效FL的自动化和质量感知的客户选择框架AUCTION，考虑样本的数量，数据标签和数据分布方面的数据质量，所需价格，并在有限的预算内来选择客户端。
联邦学习研究方向及论文推荐（二）
weixin_74181752的博客
07-23 3110
第二篇联邦学习论文推荐。
论文笔记——Client Selection for Federated Learning with Heterogeneous Resources in Mobile Edge
GJ_007的博客
04-04 2186
论文笔记——Client Selection for Federated Learning with Heterogeneous Resources in Mobile Edge 本文提出了一种基于边缘计算的协议来改进联邦学习算法。 由服务器和基站（BS）组成的位于无线网络中的特定MEC平台管理服务器和客户端的行为。 通过MEC operator 对客户端进行选择。 首先，随机选取一定...
Label 相关论文汇总
weixin_45807767的博客
11-23 1589
Label相关的论文汇总
AAAI 2022 论文列表
热门推荐
gbstack08的专栏
02-15 2万+
链接及代码之后会更新 GitHub链接：https://github.com/gbstack/AAAI-2022-papers Scaled ReLU Matters for Training Vision Transformers Pichao Wang, Xue Wang, Hao Luo, Jingkai Zhou, Zhipeng Zhou, Fan Wang, Hao Li, Rong Jin Search Strategies for Topological Network Optimizat
【CVPR2022】论文列表与下载——PartFour
TomRen
06-12 3250
【CVPR2022】完整论文列表
CVPR 2024 机器学习方向总汇（多任务、联邦学习、迁移学习和对抗等）
qq_36812406的博客
01-16 1536
1、Machine Learning(机器学习)多任务、联邦学习、迁移学习和对抗等 Molecular Data Programming: Towards Molecule Pseudo-labeling with Systematic Weak Supervision 👍摘要 Improving Physics-Augmented Continuum Neural Radiance Field-Based Geometry-Agnostic System Identification with La
ICLR2021 - Federated Learning Paper
柯同学要谦虚
03-01 2889
Federated Semi-Supervised Learning With Inter-Client Consistency & Disjoint Learning Problems Two practical scenarios of Federated Semi-Supervised Learning (FSSL): each client learns with only partly labeled data (Labels-at-Client scenario) 客户端有数据 用户端
机器学习15-XGBoost
2301_81230251的博客
06-21 662
XGBoost 的目标函数由损失函数和正则化项两部分组成。损失函数用于衡量模型预测值与真实值之间的差异，常见的损失函数有均方误差（用于回归问题）、对数损失函数（用于分类问题）等。正则化项则用于控制模型的复杂度，防止过拟合。XGBoost 作为一种高效的梯度提升算法，凭借其独特的算法设计、强大的性能和丰富的参数调优选项，在机器学习领域占据重要地位。通过理解其核心概念、模型训练过程、参数调优方法以及实际应用场景，我们可以更好地运用 XGBoost 解决各种实际问题。
PyTorch中.reshape(), .unsqueeze(), 和.squeeze()详解以及实战示例
qq_36812406的博客
06-24 275
操作功能维度变化用法示例.reshape()改变形状任意增加维度（size=1）n → n+1.squeeze()删除维度（size=1）n → n-k。
学习AI机器学习所需的数学基础
最新发布
frostmelody 全网同名，大家多多关注呀~ 持续分享优质内容！
06-24 502
从今天开始，选择《数据科学中的实用统计学》，每天完成1个小节+配套Python练习，坚持30天后，你的数学能力将超过70%的入门者。机器学习的大门已经敞开，数学是钥匙而非障碍！DeepMind/Meta/Google研究部门。机器学习工程师/数据科学家。研究科学家/研究工程师。需硕士/博士数学水平。
python学智能算法（十五）|机器学习朴素贝叶斯方法进阶-CountVectorizer多文本处理
专注python+工程实践的热心婶子
06-21 591
使用CountVectorizer进行多文本处理的方法。通过将多个文本输入到CountVectorizer中，可以生成词汇表和对应的词频向量。代码示例展示了如何对5个关于Python和数据科学的句子进行向量化处理，输出包括稀疏矩阵表示（显示每个词在文本中的位置和出现次数）、按字母排序的词汇表（共21个词）以及完整的向量表示（每行对应一个文本，包含21维的词频数据）。文章还解释了输出数据的含义，如"(0,14)1"表示第0行文本中第14号词(Python)出现1次。
一种基于最小二乘生成对抗网络的图像去噪算法
LJ1147517021的博客
06-20 65
本文提出了一种基于最小二乘生成对抗网络（LSGAN）的新颖图像去噪算法，成功解决了传统去噪方法在边缘计算环境下的局限性。
【深度学习与机器学习的区别】从本质到应用的全景对比
qq_62223405的博客
06-22 752
人工智能（AI）、机器学习（Machine Learning）、深度学习（Deep Learning）。但很多初学者容易混淆它们之间的关系，尤其是机器学习和深度学习到底有什么不同？本文将从定义、结构、数据依赖、应用场景等角度，帮你理清二者的本质区别，并通过图解和类比，直观理解它们如何协同构建智能系统。机器学习擅长“人告诉它怎么学”，深度学习擅长“自己学怎么学”。项目概括本质区别是否自动提取特征使用场景ML：结构化数据；DL：非结构化数据未来趋势协同并存，工具箱中不可或缺的两把利剑。
【机器学习&深度学习】多层感知器MLP
qq_62223405的博客
06-24 721
多个神经元可以组合一起，形成多层感知机。多层感知器(Multi-Layer PerceptronMLP):通过叠加多层全连接层来提升网络的表达能力。相比单层网络，多层感知器有很多中间层的输出并不暴露给最终输出，这些层被称为隐含层(HiddenLayers)。
【机器学习&深度学习】偏置项（Bias）概念
qq_62223405的博客
06-23 855
偏置项不是多余的小数值，而是让模型从“死板判断”变成“灵活思考”的关键组件。
机器学习-- 数据、数据集、评价模型
m0_46671240的博客
06-24 537
机器学习-- 数据
CNN-boosting
05-20
CNN-boosting是一种基于卷积神经网络(CNN)的增强学习方法，旨在提高智能体在不同任务中的性能。该方法通过将CNN和强化学习算法相结合，使智能体能够从环境中学习并适应多个任务。CNN-boosting的核心思想是使用CNN作为强化学习算法的特征提取器，从而为智能体提供更高维度的输入。这样，智能体可以更好地理解环境，并能够更准确地决策，从而提高其性能。CNN-boosting已经在许多领域得到了应用，如游戏、机器人控制、自动驾驶等。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值