PulseAugur
中
实时 14:04:17
English(EN) Energy-Efficient Federated Learning via Adaptive Encoder Freezing for MRI-to-CT Conversion: A Green AI-Guided Research

绿色AI策略将医学影像联邦学习的能源消耗降低了23%

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种新颖的、由绿色AI指导的联邦学习策略，该策略显著降低了MRI到CT转换任务中的能源消耗和计算负荷。这种自适应层冻结方法选择性地冻结编码器权重，在不影响模型性能的情况下，将训练时间、能源使用和二氧化碳排放量减少了多达23%。该方法旨在通过使计算资源有限的机构更容易进行协作深度学习，从而提高医疗保健的公平性，促进AI驱动的医疗保健进步和可持续性。 AI

影响 通过降低计算成本，实现医疗保健领域协作式AI培训的更公平的访问。

排序理由 学术论文，详细介绍了一种节能联邦学习的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

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

绿色AI策略将医学影像联邦学习的能源消耗降低了23%

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Ciro Benito Raggio, Lucia Migliorelli, Nils Skupien, Mathias Krohmer Zabaleta, Oliver Blanck, Francesco Cicone, Giuseppe Lucio Cascini, Paolo Zaffino, Maria Francesca Spadea ·

    通过自适应编码器冻结实现节能联邦学习用于MRI到CT转换：一项绿色AI指导的研究

    arXiv:2512.03054v2 Announce Type: replace-cross Abstract: Federated Learning (FL) holds the potential to advance equality in health by enabling diverse institutions to collaboratively train deep learning (DL) models, even with limited data. However, the significant resource requi…

相关实体

相关话题