Nitin Shankar Deshpande

联邦学习框架通过二值神经网络实现低成本推理

研究人员开发了FedBNN，一个联邦学习框架，旨在实现资源受限的边缘设备的有效推理。该方法利用二值神经网络（BNN）来应对部署深度神经网络的挑战，BNN使用单比特表示权重和激活。FedBNN采用了感知旋转的二值化技术，该技术将实值权重与其二值对应项对齐，并针对具有异构数据分布的联邦环境进行了调整。实验表明，FedBNN在计算量和内存使用量显著降低的同时，实现了与全精度模型相当的准确性。