摘要：在联邦学习中,不同用户的设备计算、通信、储存能力存在很大差别,容易产生掉队等不公平问题,对现有的联邦学习提出重大挑战。为解决这一问题,提出一种自适应编码器分配模型(federated learning adaptive encoders,FedAE),根据设备的性能将不同编码器组合发送给用户进行本地更新,在服务器端对相应的编码器进行参数聚合。通过这样按需分配,使得所有设备充分发挥设备性能,保证公平。FedAE通过级联分类器进行分类处理,提高模型整体的准确性,节省计算资源。通过实验对比准确度、收敛性快慢等方面,FedAE在解决设备异构问题上提供了更好的方案。

摘要：为解决地震前兆非标准仪器的统一接入问题,本文对地震前兆台网设备异构性进行了分析,提出一套完整的地震前兆数据采集适配软件设计方案,并从采集、存储、传输3个主要软件模块描述了关键技术设计。

摘要：物联网多样性终端设备在计算、存储、通信方面的异构性导致联邦学习效率不足。针对上述联邦训练过程中面临的问题,基于代理选举思路,提出了一种高效联邦学习算法。设计了基于马氏距离的代理节点选举策略,将设备的计算能力与闲置时长作为选举因素,选举性价比高的设备作为代理节点,充分发挥设备计算能力。进一步设计了基于代理节点的新型云边端联邦学习架构,提升了异构设备之间的联邦学习效率。基于MNIST和CIFAR-10公开数据集与智能家居设备真实数据的实验表明,该联邦学习方法的效率提高了22%。

摘要：本文对无锡电视台都市资讯频道高标清升级改造建设中的设计思路、项目特点进行了详细介绍,对项目建设中的重点难点问题以及解决办法进行了归纳。