Augmenting the FedProx Algorithm by Minimizing Convergence

物联网已经经历了显著的增长，已成为各个行业的重要组成部分。这种扩展催生了工业物联网倡议，行业正在利用物联网技术通过创新解决方案（如数据分析和云计算）增强通信和连接性。然而，物联网的广泛采用要求提供更好的算法，以在相同的训练环境下提高效率，而不是速度。在本文中，我们提出了一种新颖的方法，称为G联邦接近度。在现有的FedProx技术基础上，我们的实现引入了轻微的修改，以增强其效率和有效性。通过利用FTL，我们提出的系统旨在通过归一化技术提高在训练数据集后获得的模型的准确性，使其在实时设备和异构网络上表现更好。我们的结果表明，与现有模型性能相比，吞吐量显著提高，收敛速度提高了约90%。

本论文旨在提出一种名为G Federated Proximity的新方法，以提高物联网（IoT）中的机器学习算法效率和准确性，特别是在异构网络和实时设备上的应用。

该方法建立在现有的FedProx技术基础上，通过引入归一化技术和FTL来提高模型的准确性和性能。与现有模型相比，该方法在训练数据集上表现出更好的收敛性能，从而在实时设备和异构网络上表现更好。

论文通过实验验证了G Federated Proximity方法的有效性，结果显示该方法的吞吐量提高了约90%，收敛性能也更好。此外，论文还使用了开源数据集和代码，为其他研究者提供了参考。值得进一步研究的领域包括如何进一步提高模型的准确性和性能。

最近的相关研究包括FedProx方法以及其他一些针对IoT的机器学习算法的研究，例如基于深度学习的IoT数据分类和预测。