PulseAugur
中
实时 10:06:27
English(EN) Computation-aware Energy-harvesting Federated Learning with Pipelined Cyclic Scheduling

新框架PipeCycle优化能量收集联邦学习

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一个名为PipeCycle的新框架，用于能量收集联邦学习（EHFL）系统。该方法通过将客户端组织成流水线循环组来解决EHFL中因能量有限而导致的设备可用性波动问题。PipeCycle允许客户端的重叠充电周期与其他流水线阶段的活动训练并行，与现有的联邦学习基线相比，尤其是在标签偏斜严重的情况下，显著降低了累积能耗。 AI

影响 优化了分布式学习系统的能源效率，有可能促进联邦学习在资源受限设备上的更广泛应用。

排序理由 这是一篇详细介绍联邦学习新框架的研究论文。[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 →

新框架PipeCycle优化能量收集联邦学习

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Eunjeong Jeong, Nikolaos Pappas ·

    计算感知能量收集联邦学习与流水线循环调度

    arXiv:2511.11949v2 Announce Type: replace Abstract: Federated learning (FL) is a powerful paradigm for distributed learning, but increasing model complexity leads to significant energy consumption from client-side computations for local training. This challenge is critical in ene…

相关实体

相关话题