PulseAugur
中
实时 07:29:59
English(EN) GQ-FSL: Green Quantized Federated Split Learning

新的GQ-FSL框架大幅降低深度神经网络的能耗

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了GQ-FSL，一个新颖的绿色量化联邦分层学习框架，旨在减少部署在资源受限设备上的深度神经网络的能耗。该方法对本地训练和无线传输都使用随机量化，允许客户端和服务器子模型之间存在不对称的精度级别。GQ-FSL的目标是在保持目标准确率的同时最小化系统总能耗，与现有方法相比，展示了卓越的能效。 AI

影响 该框架可以实现更高效的AI模型在边缘设备的部署，降低能源成本并扩大可及性。

排序理由 这是一篇详细介绍优化深度神经网络新技术的框架的研究论文。[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 →

新的GQ-FSL框架大幅降低深度神经网络的能耗

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Idan Roth, Lutz Lampe ·

    GQ-FSL：绿色量化联邦分立学习

    arXiv:2607.29659v1 Announce Type: new Abstract: Deploying state-of-the-art deep neural networks (DNNs) at the wireless edge is severely bottlenecked by the strict energy and resource constraints of mobile devices. While federated split learning (FSL) mitigates on-device computati…

相关实体

相关话题