声明
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。
国内刊号：11-1777/TP
国际刊号：1000-1239
发布日期:
作者：芦效峰,廖钰盈,PietroLio,PanHui,
关键词：联邦学习, 边缘计算, 异步分布式学习, 梯度压缩, 隐私保护,
随着物联网和移动设备性能的不断提高，一种新型计算架构——边缘计算——应运而生.边缘计算的出现改变了数据需要集中上传到云端进行处理的局面，最大化利用边缘物联网设备的计算和存储能力.边缘计算节点对本地数据进行处理，不再需要把大量的本地数据上传到云端进行处理，减少了数据传输的延时.在边缘网络设备上进行人工智能运算的需求也在逐日增大，因为联邦学习机制不需要把数据集中后进行模型训练，所以更适合于节点平均数据量有限的边缘网络机器学习的场景.针对以上挑战，提出了一种面向边缘网络计算的高效异步联邦学习机制(efficientasynchronousfederatedlearningmechanismforedgenetworkcomputing，EAFLM)，根据自适应的阈值对训练过程中节点与参数服务器之间的冗余通信进行压缩.其中，双重权重修正的梯度更新算法，允许节点在学习的任何过程中加入或退出联邦学习.实验显示提出的方法将梯度通信压缩至原通信次数的8.77%时，准确率仅降低0.03%.
来源：2020年第12期
《计算机研究与发展》期刊编辑部
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。