新的ASCEND框架通过自适应压缩优化联邦学习

研究人员开发了ASCEND，一种用于联邦知识蒸馏（FedKD）的新型框架，解决了通信开销和模型异构性问题。该方法允许各个客户端从一组选项中选择最佳压缩策略，该问题被表述为一个随机多臂老虎机问题。ASCEND旨在平衡本地训练改进、全局知识对齐和执行时间，在保持具有竞争力的准确性的同时，显著减少了通信和训练时间。 AI

影响 优化了分布式AI模型中的通信和训练效率，有可能在边缘设备上更广泛地采用联邦学习。

排序理由 该集群包含一篇详细介绍联邦学习新算法的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• alphaXiv
• arXiv
• CatalyzeX
• DagsHub
• federated learning
• FedKD
• Gotit.pub
• Hugging Face
• Pengchao Han
• ScienceCast

• 论文
• 基础设施

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