Jove
Visualize
Contáctanos

Video Experimental Relacionado

Updated: May 5, 2026

Large Scale Energy Efficient Sensor Network Routing Using a Quantum Processor Unit
05:30

Large Scale Energy Efficient Sensor Network Routing Using a Quantum Processor Unit

Published on: September 8, 2023

1.3K

Un nuevo algoritmo de aprendizaje federado agrupado para datos heterogéneos en detección inalámbrica de alta

Zongrui Tian1, Jiasheng Tian1

  • 1School of Electronic Information and Communications, Huazhong University of Science and Technology, Wuhan, China.

Frontiers in artificial intelligence
|February 20, 2026
PubMed
Resumen

Videos de Conceptos Relacionados

Cluster Sampling Method01:20

Cluster Sampling Method

11.1K
Appropriate sampling methods ensure that samples are drawn without bias and accurately represent the population. Because measuring the entire population in a study is not practical, researchers use samples to represent the population of interest.
To choose a cluster sample, divide the population into clusters (groups) and then randomly select some of the clusters. All the members from these clusters are in the cluster sample. For example, if you randomly sample four departments from your...
11.1K

También podría leer

Artículos Relacionados

Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

Ordenar por
Same author

Performance evaluation and personalized electric field prediction of the deep H1 coil in the human brain based on simulation and machine learning.

Electromagnetic biology and medicine·2025
Same author

Novel non-resonant, low-frequency pulse-current circuit for energy-efficient, low-noise transcranial magnetic stimulation.

Frontiers in neuroscience·2025
Same author

A novel pulse-current waveform circuit for low-energy consumption and low-noise transcranial magnetic stimulation.

Frontiers in neuroscience·2025
Same author

Vector scattering from one-dimensional periodic perfectly conducting surface: transverse magnetic polarization.

Journal of the Optical Society of America. A, Optics, image science, and vision·2014
JoVE
x logofacebook logolinkedin logoyoutube logo
ACERCA DE JoVE
Visión GeneralLiderazgoBlogCentro de Ayuda JoVE
AUTORES
Proceso de PublicaciónConsejo EditorialAlcance y PolíticasRevisión por ParesPreguntas FrecuentesEnviar
BIBLIOTECARIOS
TestimoniosSuscripcionesAccesoRecursosConsejo Asesor de BibliotecasPreguntas Frecuentes
INVESTIGACIÓN
JoVE JournalMethods CollectionsJoVE Encyclopedia of ExperimentsArchivo
EDUCACIÓN
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab ManualCentro de Recursos para ProfesoresSitio de Profesores
Términos y Condiciones de Uso
Política de Privacidad
Políticas

Este estudio presenta un nuevo algoritmo de agrupamiento que utiliza la divergencia Kullback-Leibler (KL) para el aprendizaje federado con datos heterogéneos en la detección inalámbrica. El método mejora la precisión del reconocimiento al agrupar eficazmente a los clientes y personalizar los modelos.

Área de la Ciencia:

  • Ciencias de la Computación
  • Aprendizaje Automático
  • Comunicación Inalámbrica

Sus antecedentes:

  • El aprendizaje federado (FL) enfrenta desafíos con datos heterogéneos en la detección inalámbrica.
  • Los algoritmos FL existentes luchan por manejar de manera efectiva la variabilidad de los datos entre dispositivos.

Objetivo del estudio:

  • Desarrollar un algoritmo de aprendizaje federado basado en clústeres para entornos de detección inalámbrica.
  • Abordar la heterogeneidad de los datos utilizando la divergencia Kullback-Leibler (KL) para mejorar la personalización y precisión del modelo.

Principales métodos:

  • Se aplicó el Análisis de Componentes Principales (PCA) para la reducción de la dimensionalidad de datos heterogéneos de alta dimensionalidad.
  • Se calcularon las distancias de divergencia KL entre clientes para la agrupación, incorporando una distancia promedio para los clientes agregados.
Palabras clave:
divergencia KLheterogeneidad de datosalgoritmo de aprendizaje federadoalgoritmo de aprendizaje federado personalizadodetección inalámbrica

Videos de Experimentos Relacionados

Last Updated: May 5, 2026

Large Scale Energy Efficient Sensor Network Routing Using a Quantum Processor Unit
05:30

Large Scale Energy Efficient Sensor Network Routing Using a Quantum Processor Unit

Published on: September 8, 2023

1.3K
  • Se realizó aprendizaje federado dentro de los clústeres para generar modelos personalizados utilizando conjuntos de datos inalámbricos.

    • Principales resultados:

    • Se realizaron reclasificaciones iterativas y actualizaciones de modelos para optimizar el número de clústeres y la precisión del reconocimiento.
    • El algoritmo propuesto basado en la divergencia KL demostró una precisión de reconocimiento superior en comparación con los métodos existentes.
    • Se obtuvieron modelos personalizados para los clientes dentro de los clústeres identificados.

    Conclusiones:

    • El enfoque de aprendizaje federado basado en clústeres maneja eficazmente los datos heterogéneos en la detección inalámbrica.
    • La divergencia KL es una métrica viable para la agrupación de clientes en el aprendizaje federado, lo que conduce a un rendimiento mejorado.
    • El algoritmo propuesto ofrece una solución prometedora para mejorar la precisión del modelo personalizado en entornos de aprendizaje distribuido.