PulseAugur
中
实时 10:12:30

新的GAPSL框架增强了异构边缘系统中的联邦学习

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了GAPSL，一个用于并行拆分学习的新框架，旨在改善具有异构数据的边缘计算系统中的联邦学习。GAPSL通过引入两个组件来解决由设备间不一致的梯度方向引起的训练发散：领导者梯度识别（LGI）和梯度方向对齐（GDA）。LGI选择一个鲁棒的领导者梯度，而GDA使用正则化将客户端梯度与该领导者对齐，从而增强模型的收敛性和鲁棒性。实验表明，GAPSL在准确性、收敛速度和系统弹性方面优于现有基准。 AI

影响 该框架可以提高在数据多样化的边缘设备上训练AI模型的效率和准确性。

排序理由 该集群包含一篇详细介绍联邦学习新框架的学术论文。[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GAPSL框架增强了异构边缘系统中的联邦学习

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Zheng Lin, Ons Aouedi, Zihan Fang, Wei Ni, Yue Gao, Symeon Chatzinotas, Xianhao Chen ·

    GAPSL: A Gradient-Aligned Parallel Split Learning over Data-Heterogeneous Edge Computing Systems

    arXiv:2603.18540v2 Announce Type: replace Abstract: The increasing complexity of neural networks poses significant challenges for democratizing federated learning (FL) on resource-constrained edge devices. Parallel split learning (PSL) has emerged as a promising solution by offlo…

相关话题