پراکندگی مرتبط با زمان برای یادگیری فدرال کارآمد ارتباطی

عنوان پراکندگی مرتبط با زمان برای یادگیری فدرال کارآمد ارتباطی
نویسنده Özfatura، E.، Özfatura، Ahmet Kerem، Gündüz، D.
تاریخ انتشار: 2021
محل انتشار - IEEE
نوع سند
زبان انگلیسی
دیجیتال بله
نسخه خطی خیر
کتابخانه: دانشگاه اوزیغین
شناسه دارایی کتابخانه 978-153868209-8
شماره ثبت 61750359-461f-4a47-a58f-c465853dc910
تاریخ 2021
یادداشت‌ها شورای تحقیقات علوم فنی و مهندسی ; شورای تحقیقات اروپا
متن نمونه یادگیری فدرال (FL) چندین مشتری را قادر می‌سازد تا با کمک یک سرور پارامتر (PS)، بدون افشای مجموعه داده‌های محلی خود، به طور مشترک یک مدل مشترک را آموزش دهند. با این حال، به دلیل افزایش اندازه مدل های آموزش دیده، بار ارتباطی به دلیل تبادلات تکراری بین مشتریان و PS اغلب به یک گلوگاه در عملکرد تبدیل می شود. ارتباطات پراکنده اغلب برای کاهش بار ارتباطی استفاده می شود، جایی که تنها زیر مجموعه کوچکی از به روز رسانی های مدل از کلاینت ها به PS منتقل می شود. در این مقاله، ما یک طرح جدید پراکندگی مرتبط با زمان (TCS) را معرفی می‌کنیم که بر این مفهوم استوار است که چارچوب ارتباطی پراکنده را می‌توان به عنوان شناسایی مهم‌ترین عناصر مدل اساسی در نظر گرفت. از این رو، TCS از همبستگی بین نمایش‌های پراکنده در تکرارهای متوالی در FL استفاده می‌کند، به طوری که سربار ناشی از رمزگذاری نمایش پراکنده می‌تواند به طور قابل‌توجهی بدون به خطر انداختن دقت آزمون کاهش یابد. از طریق شبیه‌سازی‌های گسترده در مجموعه داده CIFAR-10، ما نشان می‌دهیم که TCS می‌تواند به دقت آموزشی متمرکز با 100 برابر پراکندگی و تا 2000 برابر کاهش در بار ارتباطی هنگام استفاده از کوانتیشن دست یابد.
DOI 10.1109/ISIT45174.2021.9518221
مشاهده در منبع دانشگاه اوزیغین دانشگاه اوزیغین - موتور جستجوی آثار تاریخی، آرشیوها و نشریات
دانشگاه اوزیغین - موتور جستجوی آثار تاریخی، آرشیوها و نشریات دانشگاه اوزیغین

پراکندگی مرتبط با زمان برای یادگیری فدرال کارآمد ارتباطی

نویسنده Özfatura، E.، Özfatura، Ahmet Kerem، Gündüz، D.
تاریخ انتشار 2021
محل انتشار - IEEE
نوع سند
زبان انگلیسی
دیجیتال بله
نسخه خطی خیر
کتابخانه دانشگاه اوزیغین
شناسه دارایی کتابخانه 978-153868209-8
شماره ثبت 61750359-461f-4a47-a58f-c465853dc910
تاریخ 2021
یادداشت‌ها شورای تحقیقات علوم فنی و مهندسی ; شورای تحقیقات اروپا
متن نمونه یادگیری فدرال (FL) چندین مشتری را قادر می‌سازد تا با کمک یک سرور پارامتر (PS)، بدون افشای مجموعه داده‌های محلی خود، به طور مشترک یک مدل مشترک را آموزش دهند. با این حال، به دلیل افزایش اندازه مدل های آموزش دیده، بار ارتباطی به دلیل تبادلات تکراری بین مشتریان و PS اغلب به یک گلوگاه در عملکرد تبدیل می شود. ارتباطات پراکنده اغلب برای کاهش بار ارتباطی استفاده می شود، جایی که تنها زیر مجموعه کوچکی از به روز رسانی های مدل از کلاینت ها به PS منتقل می شود. در این مقاله، ما یک طرح جدید پراکندگی مرتبط با زمان (TCS) را معرفی می‌کنیم که بر این مفهوم استوار است که چارچوب ارتباطی پراکنده را می‌توان به عنوان شناسایی مهم‌ترین عناصر مدل اساسی در نظر گرفت. از این رو، TCS از همبستگی بین نمایش‌های پراکنده در تکرارهای متوالی در FL استفاده می‌کند، به طوری که سربار ناشی از رمزگذاری نمایش پراکنده می‌تواند به طور قابل‌توجهی بدون به خطر انداختن دقت آزمون کاهش یابد. از طریق شبیه‌سازی‌های گسترده در مجموعه داده CIFAR-10، ما نشان می‌دهیم که TCS می‌تواند به دقت آموزشی متمرکز با 100 برابر پراکندگی و تا 2000 برابر کاهش در بار ارتباطی هنگام استفاده از کوانتیشن دست یابد.
DOI 10.1109/ISIT45174.2021.9518221
دانشگاه اوزیغین - موتور جستجوی آثار تاریخی، آرشیوها و نشریات
دانشگاه اوزیغین شما در حال هدایت مجدد هستید...

لطفاً صبر کنید