检索结果-南通市图书馆

检索条件"主题词=数据特征传输"

共 1 条记录，以下是1-10 订阅

全选清除本页清除全部题录导出标记到"检索档案"

详细简洁

排序：

边缘计算网络中去中心化联邦学习通信优化与训练加速技术研究

边缘计算网络中去中心化联邦学习通信优化与训练加速技术研究

引用

作者：娄文霄中国科学技术大学

学位级别：硕士

近年来,得益于物联网(IoT)技术的蓬勃发展,大量智能终端设备(如智能手机、智能摄像头等)产生的海量数据极大地促进了人工智能的发展。传统的云计算模式需要将海量数据收集至云服务器进行处理和训练。然而,考虑到传输数据到云服务器带来... 详细信息

近年来,得益于物联网(IoT)技术的蓬勃发展,大量智能终端设备(如智能手机、智能摄像头等)产生的海量数据极大地促进了人工智能的发展。传统的云计算模式需要将海量数据收集至云服务器进行处理和训练。然而,考虑到传输数据到云服务器带来的隐私泄露风险、高通信时延、高带宽消耗等问题,边缘计算被提出。边缘计算是以云计算为核心,以现代通信网络为途径,以海量智能终端为前沿,通过优化资源配置,使得计算、存储、传输、应用等服务更具智能,具备优势互补、深度协同的资源调度能力,是集云、网、端、智四位一体的新型计算模型。边缘计算技术可以应用到物联网与人工智能的融合中,就近提供低延时、低带宽同时兼具高安全性的智能服务。但边缘设备具有通信资源受限、系统异构、数据分布异构等特性,严重影响了边缘侧分布式模型训练(或称联邦学习,FL)的训练精度提升。为了解决上述挑战,本文提出了边缘计算网络中去中心化联邦学习通信优化与训练加速技术研究,主要研究内容和贡献如下:针对边缘设备通信资源受限和设备间数据分布异构的问题,本文提出了一种基于数据特征传输和拓扑构造的去中心化联邦学习机制(DFL-DF)。具体来说,在模型训练过程中,边缘节点与其邻居交换数据特征和特征提取器,而不是模型(或梯度),同时根据节点间数据分布相似性进行拓扑构造,以为每个节点匹配合适的邻居。通过联合数据特征传输和拓扑构造的方法,可降低通信资源开销并有望提高异构数据分布下的模型测试精度。仿真实验表明,与传统基于模型交换的方法相比,DFL-DF可以在通信资源开销受限下提高2.5%-9.1%的测试精度,并且在取得相似测试精度时减少29.4%-82.1%的通信资源开销。针对边缘系统中设备异构导致的训练效率低下的问题,本文在上述研究的基础上进一步提出了基于联合本地更新频率和数据特征批量优化的去中心化联邦学习机制(SDFL-HR)。具体来说,本文形式化一个与本地更新频率和数据特征批量相关的去中心化联邦学习问题后,提出了一个基于贪心策略的方法为每个节点决策每一轮次的本地更新频率和数据特征批量。仿真实验结果表明,与现有方案相比,在达到目标精度时,SDFL-HR可以降低6.8%-75.6%的训练时间,并且在资源开销受限下,可提高模型测试精度约12.2%。

关键词：边缘计算去中心化联邦学习数据特征传输通信资源受限系统异构数据分布异构

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

全选清除本页清除全部题录导出标记到“检索档案”

共1页 << < 1 > >>

回到顶部

执行限定条件

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：