Jan, 2024

基于分离学习的肌电假肢设备控制的收敛速率最大化

PDF
TL;DR本文提出了一种优化剪切层选择的算法，旨在最大化模型的收敛速度，从而改善电肌肉图模式识别任务中假肢设备控制的效能。
split learningelectromyographyprosthetic controloptimal cut layer selectionconvergence rate
发现论文，激发创造
  • 适应能量受限的无线边缘网络的自适应分割学习

    我们设计了一种自适应分裂学习（ASL）方案，该方案可以在无线边缘网络中为设备动态选择分裂点并为服务器分配计算资源，以减少训练延迟和能量消耗。采用在线算法 OPEN 和两层优化方法解决优化问题，该方案相比现有的分裂学习方案，平均减少了 53.7% 的训练延迟和 22.1% 的能量消耗。

    Mar, 2024

  • MP-SL：多跳并行分割学习

    多跳并行分裂学习（MP-SL）是一个模块化且可拓展的机器学习作为服务（MLaaS）框架，旨在促进资源受限设备参与分布式协作的机器学习模型训练，通过将模型分割为多个部分并利用多个计算节点以流水线方式进行训练，以减轻计算节点的内存需求，具有处理系统异构性的能力，尤其在涉及成本更低效的计算节点的场景中比水平扩展的单跳并行分裂学习设置更高效。

    Jan, 2024

  • 无线通信网络中加速的分裂式联邦学习

    本文介绍了一种模型分区 / 切割的方法，将深度神经网络切分为两个部分，分别在设备和服务器上进行联合训练和联合推理，旨在通过交替优化解决划分点选择和带宽分配问题，以最小化系统的延迟

    Oct, 2023

  • 基于预测 GAN 的混合联邦分割学习多目标优化

    本文提出了一种混合联邦分裂学习框架来利用联邦学习与分裂学习的优势，在无线网络中将多工器并行更新和灵活的分裂相结合，并采用预测生成对抗网络算法对多目标优化进行求解。实验结果表明，该算法在找到帕累托最优解方面优于其他算法，并且所提出的 HFSL 的解支配 FL 的解。

    Sep, 2022

  • 评估和优化物联网分布式机器学习技术

    该论文在实际物联网设置中比较了联邦学习、分裂学习和分裂联邦学习的性能，并提出了一种广义分裂联邦学习模型来进一步优化在大规模 IoT 设备上的系统表现，同时还提出实用技巧来大幅减少通信开销。

    Mar, 2021

  • 可扩展的分布式学习：服务端局部梯度平均和学习率加速

    本文提出了一种可扩展的拆分学习框架 SGLR，采用广播机制模仿 FL 且支持并行操作，并能在保证数据隐私的前提下，获得比 SplitFed 更高的准确率和较少的敏感信息泄露。

    Dec, 2021

  • 模型分离允许的联邦边缘学习的训练延迟最小化

    使用边缘计算和分段学习相结合的模型分割允许 FL（SFL）框架，以缓解在使用联邦学习（FL）训练深度神经网络（DNNs）时客户端面临的计算能力短缺问题，并旨在通过最小化训练延迟而不损失测试准确性。

    Jul, 2023

  • 非联邦多任务分割学习的异构源

    边缘网络和移动计算的发展需要设计新的分布式机器学习机制来服务于异构数据源。本文提出了一种多任务分割学习（MTSL）框架，结合了分割学习（SL）的优点和分布式网络架构的灵活性，以实现高效处理异构数据源的多任务学习，具有快速收敛、低通信成本和对异质数据的鲁棒性等优势。

    May, 2024

  • 6G 边缘网络中的分布式学习

    本文主要介绍了在 6G 移动网络时代，如何将分布式边缘计算资源与联邦学习相结合，并引入分裂学习以处理海量资源受限的物联网设备，重点讨论边缘分裂学习及其在多边缘协作与移动管理中的设计问题与待解决的开放性问题。

    Jun, 2023

  • 并行分割学习的工作流优化

    该论文研究了如何通过拆分神经网络模型并进行任务分配和调度决策来实现减少训练时间的目标，并提出了一种基于对称性的问题分解解决方法和一种可扩展的解决方法。通过数值评估，证明该策略能够找到接近最优解，并且使训练时间比基准方案缩短 52.3%。

    Feb, 2024