Ta上传的资源 (0)

一种合适的传感器节点聚类算法可以提高传感器网络的能效。然而,集群需要额外的开销,比如集群头的选择和分配,以及集群的构建。摘要提出了一种基于孤立节点的无线传感器网络区域能量感知聚类方法,称为孤立节点区域能量感知聚类。在reacin中,CHs是根据权重来选择的。根据每个传感器的剩余能量和每个簇中所有传感

针对日益严格的数据隐私立法和日益增长的隐私关注，联邦学习(FL)的概念被引入。在FL中，终端设备使用它们的本地数据来训练服务器所需的ML模型。然后，终端设备将模型更新而不是原始数据发送到服务器进行聚合。FL可以作为移动边缘网络的一种使能技术，因为它可以实现ML模型的协同训练，也可以使DL用于移动边缘

包括物联网、社交网络和众包在内的新兴技术和应用在网络边缘产生大量数据。机器学习模型通常是根据收集的数据建立的，以便对未来事件进行检测、分类和预测。由于带宽、存储和隐私方面的考虑，将所有数据发送到一个集中的位置通常是不切实际的。在本文中，我们考虑了从分布在多个边缘节点的数据中学习模型参数的问题，而不需

无线分布式微传感器系统将为民用和军事应用提供各种环境的可靠监测。在这篇论文中，我们研究了通信协议，它对这些网络的整体能量消耗有重要的影响。基于我们发现传统的直接传输,协议minimum-transmission-energy,多次反射路由和静态传感器网络集群可能不是最优的,我们建议LEACH(低能自

现代移动设备可以访问大量适合学习模型的数据，这反过来又可以极大地改善设备上的用户体验。例如，语言模型可以提高语音识别和文本输入，图像模型可以自动选择好的照片。然而，这种丰富的数据通常是隐私敏感的，数量大，或者两者兼备，这可能会妨碍使用常规方法登录到数据中心并在那里进行培训。我们提倡将训练数据分布在移