18、社交边缘计算：隐私保护与多领域应用探索

社交边缘计算：隐私保护与多领域应用探索

1. FedSens框架：移动边缘计算中的隐私感知训练

在移动边缘计算系统中，针对AHDS（自适应健康监测系统）应用存在的类别不平衡问题，提出了FedSens这一联邦学习框架。该框架旨在进行隐私感知训练，以提升模型在处理类别不平衡数据时的准确性。

1.1 创新更新方案

• 好奇心驱动的强化学习本地更新方案 ：通过这种新颖的方式，在本地设备上进行模型更新，能够更好地适应数据的局部特征，提高模型的泛化能力。
• 自适应全局更新方案 ：结合本地更新的结果，在全局层面进行自适应的更新，使得模型在整体上能够更好地处理类别不平衡问题。

1.2 实际测试与效果

FedSens框架在真实的异构边缘计算测试平台上进行了实现，并通过两个实际案例进行了评估。评估结果显示，与现有技术相比，FedSens在模型准确性和能源效率方面都取得了显著的性能提升。这表明该框架在实际应用中具有很大的潜力，不仅能够提高模型的性能，还能降低能源消耗。

2. 社交感知：新兴的传感范式

社交感知作为一种新的传感范式，随着低成本移动传感器的普及和无处不在的互联网连接而逐渐兴起。

2.1 参与式传感项目

• MetroSense ：探索了人们参与传感过程的方式，通过让用户参与数据收集，提高了数据的多样性和准确性。
• SurroundSense