双层强化学习激励机制

联邦学习成本优化

通过双层强化学习动态分配激励，在有限预算内提升联邦工业维护模型的训练精度与安全性。

赵海涛 · Mengqi, Sui · 刘淼 · Chun, Zhu · Wei, Xun · Bangning, Xu · 朱洪波

IEEE Internet of Things Journal 2024

技术优势

预算内精度更高

通过理性分配激励，服务器在有限预算内实现更高的模型训练精度，从而降低整体训练成本。

实验验证有效

在多种数据集上评估，结果表明该方法相比现有方法显著提升了工业故障预测模型的精度与安全性。

应用场景

• 工业物联网联邦学习：为联邦学习平台提供预算高效的激励机制，提升协作训练精度并降低总成本。
• 工业预测性维护：通过抵御恶意客户端保障模型安全，支撑多工厂协同的工业故障预测。
• 边缘智能训练：在预算受限的场景下优化激励分配，使边缘侧模型训练更经济高效。