面向工业物联网序列多传感器数据的去噪与自适应在线垂直联邦学习
机器学习
2025-01-06 v1 网络与互联网体系结构
摘要
随着工业物联网中智能传感器等边缘设备计算能力的不断提升，这些传感器不再局限于单纯的数据采集，而是越来越多地具备执行复杂计算任务的能力。这一进展为采用分布式学习方法提供了动力和基础。本研究聚焦于工业装配线场景，其中分布在各处的多个传感器依次采集具有不同特征空间的实时数据。为了利用这些传感器的计算潜力，同时解决集中式学习中固有的通信开销和隐私问题，我们提出了去噪与自适应在线垂直联邦学习（DAO-VFL）算法。专为工业装配线场景定制的 DAO-VVL 能够有效管理连续数据流并适应不断变化的学习目标。此外，它还能解决工业环境中普遍存在的关键挑战，如通信噪声和传感器能力的异构性。为了支持所提出的算法，我们提供了全面的理论分析，强调了降噪和自适应局部迭代决策对遗憾界的影响。在两个真实世界数据集上的实验结果进一步证明了 DAO-VFL 相较于基准算法的卓越性能。
引用
@article{arxiv.2501.01693,
title = {Denoising and Adaptive Online Vertical Federated Learning for Sequential Multi-Sensor Data in Industrial Internet of Things},
author = {Heqiang Wang and Xiaoxiong Zhong and Kang Liu and Fangming Liu and Weizhe Zhang},
journal= {arXiv preprint arXiv:2501.01693},
year = {2025}
}