联邦学习作为解决数据隔离问题的新兴范式,能够在不需要客户端上传原始数据的情况下训练全局模型,有效保护用户隐私。由于客户端数量众多但通信资源有限,只能选择部分客户端参与模型聚合。然而联邦学习系统存在设备异构和数据异质等挑战...联邦学习作为解决数据隔离问题的新兴范式,能够在不需要客户端上传原始数据的情况下训练全局模型,有效保护用户隐私。由于客户端数量众多但通信资源有限,只能选择部分客户端参与模型聚合。然而联邦学习系统存在设备异构和数据异质等挑战,简单的客户端选择策略无法考虑环境的动态特性,会拖慢模型的收敛速度,降低模型性能。考虑到客户端状态的时变,提出了全新的客户端可用性评估指标,建立了多重约束下的联邦学习客户端选择模型,建模为损失最小化问题;将优化问题转化为马尔可夫决策过程,提出了一种基于深度强化学习的联邦学习客户端自适应选择(Adaptive Selection for Clients in Federated Learning based on Deep Reinforcement Learning,ASC-DRL)算法,综合考虑通信延迟、资源消耗及客户端可用性,通过代理服务器与环境之间的持续交互最大化奖励函数,得到最优客户端选择方案。实验结果表明,提出的ASC-DRL算法相比于传统联邦学习算法,在模型精度和训练损失方面有着最高89.2%和99.8%的效果提升,能够有效适应动态环境变化,提升联邦学习整体性能和稳定性。展开更多
多交路运营是中国城市轨道交通网络化运营组织的重要组成部分,研究乘客在多交路运营条件下的出行选择行为,对把握乘客出行规律、满足多样化出行需求具有重要意义.基于随机后悔最小化模型,引入乘客对路径属性感知的异质性,构建融合效用...多交路运营是中国城市轨道交通网络化运营组织的重要组成部分,研究乘客在多交路运营条件下的出行选择行为,对把握乘客出行规律、满足多样化出行需求具有重要意义.基于随机后悔最小化模型,引入乘客对路径属性感知的异质性,构建融合效用与后悔机制的多尺度混合模型,克服了传统模型未考虑路径熟悉度导致的乘客出行行为与实际出行行为之间的决策偏差.通过整合容忍阈值与决策惯性,提出一种多交路出行选择建模方法,基于典型案例的陈述偏好(stated preference,SP)调查数据,完成模型参数估计与性能验证.研究结果表明,乘客对出行时间属性的容忍阈值为6.98 min;相较于基准模型,考虑决策惯性的模型在似然值、贝叶斯信息准则(Bayesian information criterion,BIC)及命中率指标上均表现更优,表明其具备更强的数据拟合能力;支付意愿分析进一步揭示乘客愿意为服务提升承担额外时间成本,从而验证了所提模型的有效性与实用性.展开更多
文摘联邦学习作为解决数据隔离问题的新兴范式,能够在不需要客户端上传原始数据的情况下训练全局模型,有效保护用户隐私。由于客户端数量众多但通信资源有限,只能选择部分客户端参与模型聚合。然而联邦学习系统存在设备异构和数据异质等挑战,简单的客户端选择策略无法考虑环境的动态特性,会拖慢模型的收敛速度,降低模型性能。考虑到客户端状态的时变,提出了全新的客户端可用性评估指标,建立了多重约束下的联邦学习客户端选择模型,建模为损失最小化问题;将优化问题转化为马尔可夫决策过程,提出了一种基于深度强化学习的联邦学习客户端自适应选择(Adaptive Selection for Clients in Federated Learning based on Deep Reinforcement Learning,ASC-DRL)算法,综合考虑通信延迟、资源消耗及客户端可用性,通过代理服务器与环境之间的持续交互最大化奖励函数,得到最优客户端选择方案。实验结果表明,提出的ASC-DRL算法相比于传统联邦学习算法,在模型精度和训练损失方面有着最高89.2%和99.8%的效果提升,能够有效适应动态环境变化,提升联邦学习整体性能和稳定性。
文摘多交路运营是中国城市轨道交通网络化运营组织的重要组成部分,研究乘客在多交路运营条件下的出行选择行为,对把握乘客出行规律、满足多样化出行需求具有重要意义.基于随机后悔最小化模型,引入乘客对路径属性感知的异质性,构建融合效用与后悔机制的多尺度混合模型,克服了传统模型未考虑路径熟悉度导致的乘客出行行为与实际出行行为之间的决策偏差.通过整合容忍阈值与决策惯性,提出一种多交路出行选择建模方法,基于典型案例的陈述偏好(stated preference,SP)调查数据,完成模型参数估计与性能验证.研究结果表明,乘客对出行时间属性的容忍阈值为6.98 min;相较于基准模型,考虑决策惯性的模型在似然值、贝叶斯信息准则(Bayesian information criterion,BIC)及命中率指标上均表现更优,表明其具备更强的数据拟合能力;支付意愿分析进一步揭示乘客愿意为服务提升承担额外时间成本,从而验证了所提模型的有效性与实用性.
