Mar, 2024
采用迭代度量剪枝推进工业物联网的 OTA 联邦学习
Advancing IIoT with Over-the-Air Federated Learning: The Role of Iterative Magnitude Pruning
Fazal Muhammad Ali Khan, Hatem Abou-Zeid, Aryan Kaushik, Syed Ali Hassan
TL;DR工业物联网（IIoT）在第四次工业革命下开启了一个互连的智能设备时代，其中数据驱动的洞察力和机器学习（ML）融合革新了制造业。在 IIoT 中，一个值得注意的发展是联邦学习（FL）的整合，解决了设备间的数据隐私和安全性。FL 使得边缘传感器（也称为周边智能单元）能够在本地使用数据进行学习和适应，而无需明确共享机密数据，从而促进了一种协作但保密的学习过程。然而，边缘智能单元内存占用和计算能力的限制要求使用非常紧凑的深度神经网络（DNN）模型。我们提出将经过迭代幅度剪枝（IMP）的 DNN 模型整合到用于 IIoT 的 OTA-FL 环境中，以实现紧凑而强大的模型。我们提供了教程概述，并针对 IIoT 环境中 OTA-FL 的有效性进行了案例研究。最后，我们提出了进一步增强和优化这些深度压缩技术的未来方向，旨在推动 IIoT 能力的边界，实现紧凑且强大的高性能 DNN 模型的获取。