基于联邦学习的NAND闪存可靠性预测：加权集成蒸馏与自监督学习方法

《IEEE Open Journal of the Industrial Electronics Society》：Federated Learning Algorithm for Predicting the Reliability of NAND Flash Memory

　　在本论文中，我们旨在开发一种能够预测 NAND 闪存可靠性的 AI 模型，通过估计其阈值电压分布中的错误位数来实现。我们采用联邦学习框架，根据用户的使用模式或数据特征，利用多种阈值电压分布数据训练模型，同时保护用户隐私。通过利用服务器端的无标签阈值电压分布数据，我们提出了一种带加权集成蒸馏的联邦学习算法，以有效处理用户异质的阈值电压分布数据。特别地，我们引入了重建阈值电压分布数据中被掩码部分的自监督学习任务。该自监督学习任务在客户端通过多任务学习有效提升了客户端模型的估计精度，同时在服务器端用于衡量客户端估计的置信度以支持集成蒸馏。我们的算法在错误位数估计任务中取得了 4.43 位的均方根误差和 98.68% 的平均百分比绝对精度。