PulseAugur
中
实时 10:00:44
English(EN) Entropy-Guided Tensor Compression for Multimodal Federated Learning on Edge Devices

新的MESH-FL框架提高了边缘设备的联邦学习压缩率

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了MESH-FL，一个用于边缘设备联邦学习的新型框架，该框架利用熵引导压缩来处理多模态模型。该方法根据谱熵自适应地分配不同层、模态和设备上的压缩秩，旨在在有效载荷约束下优化性能。在树莓派集群上进行的实验表明，与标准的FedAvg相比，MESH-FL可以在提高准确性和减少数据传输的同时，实现显著的压缩比。 AI

影响 这项研究可以实现资源受限的边缘设备上更高效的AI模型训练，从而促进多模态AI的广泛部署。

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 →

新的MESH-FL框架提高了边缘设备的联邦学习压缩率

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Quoc Bao Phan, Tuy Tan Nguyen ·

    Entropy-Guided Tensor Compression for Multimodal Federated Learning on Edge Devices

    arXiv:2607.06651v1 Announce Type: new Abstract: Federated learning (FL) over mobile and edge devices increasingly involves multimodal models in which clients differ in both sensing capability and computational capacity. Existing update compression schemes typically apply uniform …

相关实体

相关话题