centralized learning | BriefGPT

关键词centralized learning

搜索结果 - 9

CG-FedLLM：用于大规模语言模型的联邦微调中梯度压缩方法
本研究提出了一种创新方法来压缩梯度以提高大型语言模型联邦学习中的通信效率，通过在客户端增加编码器以获取压缩的梯度特征，以及在服务器端增加解码器来重构梯度。通过使用特征筛选和保护关键特征的方式，我们的方法降低了通信成本并提高了性能，在隐私保护
PDFa month ago
MM半联邦学习：混合学习框架的收敛分析与优化
通过提出一种半联合学习（SemiFL）范式，将基站（BS）和设备的计算能力结合起来，实现集中式学习（CL）和联邦学习（FL）的混合实施。通过设计一种新颖的收发器结构，将空中计算和非正交多址接入应用于聚合和传输，提高了通信效率，并证明了 FL
PDF9 months ago
针对环境异质性的联邦策略优化中的客户端选择
本论文探索了近似策略迭代（API）在联邦学习中的应用，引入了客户端选择算法来解决环境异质性带来的估计误差，理论和实验结果表明该算法可以在联邦学习中显著降低估计误差。
PDFa year ago
FewFedWeight：针对多个 NLP 任务的 Few-shot 联邦学习框架
FewFedWeight 是跨多个任务的 few-shot 联邦学习框架，通过在隔离设备上训练客户端模型，广播全局模型并为客户端生成伪数据，同时使用能量算法对伪样本进行加权，动态聚合客户端模型的自适应模型权重更新全局模型，可显著提高客户端模
PDF2 years ago
利用中央化训练的近期多智能体强化学习算法调查
为了实现人类般的协作，大量工作致力于探索实现集中式学习与分散式执行 (CLDE) 方法的多智能体强化学习 (MARL) 范式。在这里，我们讨论了集中式训练的变化，并描述了最近算法方法的调查。探讨不同的信息共享机制的中心化学习系统的实现如何在
PDF3 years ago
MM联邦与集中式学习的混合架构
本文提出了一种更高效的混合联邦与集中学习（HFCL）方法来解决客户端计算资源不足的情况，该方法可以将数据集分别发送给有足够计算资源的客户端和参数服务器，从而在减少通信开销和提高学习准确率方面都具有更好的性能表现。
PDF3 years ago
混合联邦与集中式学习
提出一种混合联邦和集中式学习（HFCL）框架，采用先进的数据传输方法并在计算资源不足时使用集中式学习方法，以有效地训练学习模型，并在所有客户端合作的同时提高学习准确度。
PDF4 years ago
基于端到端学习的 MIMO 物理层通信基准测试
本文目的在于探讨在何种场景下，数据驱动的机器学习可以超越传统的 MIMO 收发器，并展示了多种场景中 ML 的性能表现，其中包括闭环 MIMO，开环 MIMO 和多用户 MIMO，并提供了相应神经网络模型的代码实现。
PDF4 years ago
QMIX: 深度多智能体强化学习的单调价值函数分解
QMIX 是一种基于价值的方法，可以在中央化端到端方式下训练去中心化策略，其在 StarCraft II 微管理任务中表现良好并优于现有的基于价值的多智能体强化学习方法。
PDF6 years ago