SCEI：一种面向物联网系统的智能合约驱动边缘智能框架
机器学习
2023-07-06 v2 分布式、并行与集群计算
摘要
联邦学习（FL）能够在保持数据隐私的前提下，于边缘设备上协同训练共享模型。FL 在处理独立同分布（iid）数据集时有效，但在非独立同分布（non-iid）数据集上表现不佳。已有多种个性化方法被提出，但这类方法无法应对数据分布的潜在偏移，例如真实场景中常见的数据分布偏斜（如智能交通系统中驾驶行为随时间与地点发生变化）。此外，陌生设备间的信任问题以及集中式聚合器的安全问题也带来了额外挑战。为应对这些挑战，本文提出一种基于区块链与联邦学习的动态优化个性化深度学习方案。具体而言，区块链中实现的创新智能合约允许分布式边缘设备就个性化模型的最优权重达成共识。使用多种模型与真实世界数据集的实验评估表明，所提方案相比传统联邦与个性化学习方法取得了更高的准确率与更快的收敛速度。
引用
@article{arxiv.2103.07050,
title = {SCEI: A Smart-Contract Driven Edge Intelligence Framework for IoT Systems},
author = {Chenhao Xu and Jiaqi Ge and Yong Li and Yao Deng and Longxiang Gao and Mengshi Zhang and Yong Xiang and Xi Zheng},
journal= {arXiv preprint arXiv:2103.07050},
year = {2023}
}