互联网连接系统的指数增长产生了许多挑战，例如频谱短缺问题，需要有效的频谱共享（SS）解决方案。复杂和动态的SS系统可以接触不同的潜在安全性和隐私问题，需要保护机制是自适应，可靠和可扩展的。基于机器学习（ML）的方法经常提议解决这些问题。在本文中，我们对最近的基于ML的SS方法，最关键的安全问题和相应的防御机制提供了全面的调查。特别是，我们详细说明了用于提高SS通信系统的性能的最先进的方法，包括基于ML基于ML的基于的数据库辅助SS网络，ML基于基于的数据库辅助SS网络，包括基于ML的数据库辅助的SS网络，基于ML的LTE-U网络，基于ML的环境反向散射网络和其他基于ML的SS解决方案。我们还从物理层和基于ML算法的相应防御策略的安全问题，包括主要用户仿真（PUE）攻击，频谱感测数据伪造（SSDF）攻击，干扰攻击，窃听攻击和隐私问题。最后，还给出了对ML基于ML的开放挑战的广泛讨论。这种全面的审查旨在为探索新出现的ML的潜力提供越来越复杂的SS及其安全问题，提供基础和促进未来的研究。
translated by 谷歌翻译
联合学习（FL）是分布式学习的一种变体，其中Edge设备可以协作学习模型，而无需与中央服务器或彼此共享数据。我们将使用公共客户库作为多模型FL的联合设置中同时培训多个独立模型的过程。在这项工作中，我们提出了用于多模型FL的流行FedAvg算法的两个变体，并具有可证明的收敛保证。我们进一步表明，对于相同数量的计算，多模型FL可以比单独训练每个模型具有更好的性能。我们通过在强凸，凸和非凸面设置中进行实验来补充理论结果。
translated by 谷歌翻译
联合学习是一种分布式学习的形式，具有关键挑战，是参与客户端中数据的非相同分布性质。在本文中，我们将联合学习扩展到多个无相关模型同时培训的设置。具体而言，每个客户端都能够一次训练M个模型中的任何一个，并且服务器维护每个M模型的模型，其通常是由客户端计算的模型的适当平均版本。我们提出了多次将学习任务分配给客户的多项政策。在第一个政策中，我们将广泛研究的FASHVG通过将模型分配给I.I.D中的客户来扩展到多模型学习。随机的方式。此外，我们在多模型联合设置中提出了两个新的客户选择策略，这是基于每个客户模型对的当前本地损失的决策。我们比较涉及合成和现实世界数据的任务的政策的表现，并表征拟议的政策的表现。远离我们的工作的关键是，所提出的多模型政策更好地表现出更好或至少与使用FEDAVG的单一模型培训一样好。
translated by 谷歌翻译
为了向农业产业提供基础设施，需要利用先进的技术，如大数据，云和物联网（物联网）;智能农业是一个管理概念，专注于提供跟踪，监控，自动化和分析操作所需的基础设施。要代表从收集的主要数据中提取的知识最重要。本研究介绍了智能农业系统的农业科学框架。知识图表被表示为捕获和执行时空农业数据的推理的格子。
translated by 谷歌翻译