PulseAugur
中
实时 04:19:41
English(EN) Adaptive Joint Compression and Synchronisation in Federated Split Learning for IoT Rainfall Prediction

联邦学习通过自适应压缩优化物联网降雨预测

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种新颖的联邦分层学习（FSL）框架，旨在优化参与降雨预测的物联网设备的通信效率。该框架通过一个由延迟驱动的调度器独特地集成了激活压缩和同步频率调节，该调度器根据实时网络条件进行自适应调整。使用ERA5数据和Raspberry Pi部署进行的评估表明，该系统可以在不显著损害预测准确性的情况下，大幅减少上传有效载荷和同步流量，并提高运行时稳定性。 AI

影响 这项研究可以提高部署在资源受限的物联网设备上用于环境监测的AI模型的效率。

排序理由 这是一篇详细介绍联邦学习新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

联邦学习通过自适应压缩优化物联网降雨预测

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Wenjie Ding, Yi Sin Lin, Jiale Liu, Baoyi Liu, Guanghua Liu, Zhuolu Li, Suleiman Sabo, Chuadhry Mujeeb Ahmed, Aydin Abadi, Rehmat Ullah, Rajiv Ranjan ·

    面向物联网降雨预测的联邦分层学习中的自适应联合压缩与同步

    arXiv:2606.25003v1 Announce Type: new Abstract: Federated split learning (FSL) enables collaborative training across bandwidth-constrained IoT devices, but repeated activation and gradient exchange creates a communication bot-tleneck. Prior work optimises either activation compre…

相关实体

相关话题