edge machine learning | BriefGPT

关键词edge machine learning

搜索结果 - 8

通过结构化剪枝在初始化时快速部署边缘计算中的 DNN
利用结构化剪枝技术，Reconvene 系统可快速生成适用于边缘部署的经剪枝模型，大小减小了 16.21 倍，速度加快 2 倍，同时保持与未经剪枝的模型相同的准确性。
PDF2 months ago
值得信赖的边缘机器学习：一项调查
边缘机器学习与可信边缘机器学习（EML）的融合是一个备受关注的研究领域，通过利用分布式网络资源以合作方式进行联合训练和推理。然而，EML 面临着多种挑战，包括资源限制、异构网络环境和不同应用的多样化服务要求，这些都影响了 EML 在利益相关
PDF8 months ago
关于边缘端实时学习新型人类体力活动的实用经验
利用移动传感器收集的数据，通过我们的 MAGNETO 系统以学习人类活动为重点的实验，我们深入研究了边缘机器学习（Edge ML）的复杂性，考察了边缘设备上受限数据存储、训练的有限计算能力和学习类别数量之间的相互依赖关系，并提供了关于 Ed
PDF10 months ago
CPU-GPU 异构计算下的联邦边缘学习能效资源管理
本文设计了一个基于联邦边缘学习（FEEL）的联合计算和通信资源管理（$\text {C}^2$RM）框架，以在异构移动设备的分布式数据中心中优化全局模型训练，并通过在设备之间分配带宽、CPU-GPU 工作负载划分和速度缩放等多维度控制，提高
PDF4 years ago
MM边缘感知力分配下的机器智能
本文提出了以学习为驱动的场景中的学习中心功率分配算法 (LCPA)，该算法采用经验分类误差模型和不确定性采样方法，以最大化学习性能而非通信吞吐量来进行功率分配，通过大规模优化算法得出高效计算的结果。
PDF5 years ago
高维随机梯度量化用于通信高效边缘学习
本文提出了一种基于分层随机梯度量化的边缘机器学习框架，并研究了其对学习性能的影响，包括量化误差和通信开销的降低。该方案采用了分层结构和基于矢量的量化，同时引入了一个位分配方式来保证量化精度，该方案能够在保证学习准确性的前提下显著减少通信开销
PDF5 years ago
联邦边缘学习的能效无线资源分配
本文探讨了能够满足数据隐私保护的联邦边缘学习框架 (FEEL)。通过在边缘设备上进行本地模型训练并与全局模型在服务器上进行协调，实现了边缘设备上的学习算法。为了减少设备的能耗，在保证学习性能的基础上，我们提出了一些节能策略，并且根据设备的信
PDF5 years ago
通过无线计算进行联邦学习
提出了一种基于超过空气计算的方法，探索了无线多接入通道的叠加属性，用于边缘机器学习中的快速全局模型聚合。
PDF6 years ago