FedADC: یادگیری فدرال تسریع شده با کنترل دریفت

عنوان FedADC: یادگیری فدرال تسریع شده با کنترل دریفت
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 978-1-5386-8209-8
شماره ثبت 4efdcd74-194b-4ad5-9c49-916da91eb333
تاریخ 2021
یادداشت‌ها شورای تحقیقات علوم فنی و مهندسی ; شورای تحقیقات اروپا
متن نمونه یادگیری فدرال (FL) به چارچوبی عملی برای یادگیری مشارکتی در میان دستگاه‌های لبه با نگرانی حریم خصوصی تبدیل شده است. هسته استراتژی FL استفاده از نزول گرادیان تصادفی (SGD) به شیوه ای توزیع شده است. اجرای مقیاس بزرگ FL چالش‌های جدیدی را به همراه دارد، مانند ادغام تکنیک‌های شتاب طراحی‌شده برای SGD در تنظیمات توزیع‌شده، و کاهش مشکل رانش به دلیل توزیع غیرهمگن مجموعه‌های داده محلی. این دو مشکل به طور جداگانه در ادبیات مطالعه شده است. در حالی که، در این مقاله، نشان می‌دهیم که پرداختن به هر دو مشکل با استفاده از یک استراتژی واحد بدون هیچ گونه تغییر عمده در چارچوب FL یا معرفی بار محاسباتی و ارتباطی اضافی امکان‌پذیر است. برای دستیابی به این هدف، ما FedADC را پیشنهاد می‌کنیم که یک الگوریتم FL شتاب‌دار با کنترل دریفت است. ما به طور تجربی مزایای FedADC را نشان می دهیم.
DOI 10.1109/ISIT45174.2021.9517850
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

FedADC: یادگیری فدرال تسریع شده با کنترل دریفت

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 978-1-5386-8209-8
شماره ثبت 4efdcd74-194b-4ad5-9c49-916da91eb333
تاریخ 2021
یادداشت‌ها شورای تحقیقات علوم فنی و مهندسی ; شورای تحقیقات اروپا
متن نمونه یادگیری فدرال (FL) به چارچوبی عملی برای یادگیری مشارکتی در میان دستگاه‌های لبه با نگرانی حریم خصوصی تبدیل شده است. هسته استراتژی FL استفاده از نزول گرادیان تصادفی (SGD) به شیوه ای توزیع شده است. اجرای مقیاس بزرگ FL چالش‌های جدیدی را به همراه دارد، مانند ادغام تکنیک‌های شتاب طراحی‌شده برای SGD در تنظیمات توزیع‌شده، و کاهش مشکل رانش به دلیل توزیع غیرهمگن مجموعه‌های داده محلی. این دو مشکل به طور جداگانه در ادبیات مطالعه شده است. در حالی که، در این مقاله، نشان می‌دهیم که پرداختن به هر دو مشکل با استفاده از یک استراتژی واحد بدون هیچ گونه تغییر عمده در چارچوب FL یا معرفی بار محاسباتی و ارتباطی اضافی امکان‌پذیر است. برای دستیابی به این هدف، ما FedADC را پیشنهاد می‌کنیم که یک الگوریتم FL شتاب‌دار با کنترل دریفت است. ما به طور تجربی مزایای FedADC را نشان می دهیم.
DOI 10.1109/ISIT45174.2021.9517850
دانشگاه اوزیغین - موتور جستجوی آثار تاریخی، آرشیوها و نشریات
دانشگاه اوزیغین شما در حال هدایت مجدد هستید...

لطفاً صبر کنید