.png){kind=icon}
返回
Semantic utility-driven client selection for task-oriented split federated learning
.png){kind=icon}
OA
AI
DOI：10.1007/s40747-025-02206-y.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
任务导向的分割联邦学习（TOSFL）是一种融合了分割学习和语义通信的协作智能框架，在边缘智能领域具有巨大潜力。然而，其实际应用因固有的信息不对称而受阻，这严重影响了训练效率与安全性。本文介绍了语义效用驱动的客户端选择（SUCS）框架。SUCS的核心是语义效用指数（SUI），这是一种新型指标，旨在从两个正交维度量化客户端的贡献：（1）瞬时数据价值，从信息论角度衡量客户端数据如何降低全局模型的不确定性；（2）长期模型声誉，通过追踪历史表现评估可靠性。基于SUI，我们开发了一种动态选择与反馈机制，以优化客户端参与并指导本地数据采样。在多个数据集和两项任务上的全面实验表明，SUCS相较于随机选择基线，可将测试准确率提高5.5%，将收敛所需的通信轮次减少28%，并在数据冗余和对抗攻击方面表现出显著的鲁棒性。
Keyword:
Split Federated Learning
Task-Oriented Semantic Communication
Client Selection
Feature Importance
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
4.6
论文数:
2.1K
被引数:
6.6K
机构
引用论文
.png){kind=icon}
Mobility-Aware Split-Federated With Transfer Learning for Vehicular Semantic Communication Networks用于车辆语义通信网络的移动性感知分裂联邦与转移学习
OAAI
OAAI分享收藏Evaluating Security and Robustness for Split Federated Learning Against Poisoning Attacks评估针对中毒攻击的分离联邦学习的安全性和鲁棒性
PREAI
分享收藏Feature Importance-Aware Task-Oriented Semantic Transmission and Optimization特征重要性感知的面向任务语义传输与优化
PREAI
分享收藏Beyond Transmitting Bits: Context, Semantics, and Task-Oriented Communications超越传输位: 上下文，语义和面向任务的通信OAAI
OAAI分享收藏
查看更多内容