Loading...
机构名称:
¥ 1.0

摘要 — 迁移学习不是从头开始训练,而是利用现有模型来帮助训练更准确的新模型。不幸的是,在分布式云边缘网络中实现迁移学习面临着关键挑战,例如在线训练、不确定的网络环境、时间耦合控制决策以及资源消耗和模型准确性之间的平衡。我们将分布式迁移学习表述为长期成本优化的非线性混合整数程序。我们通过利用保留先前决策和应用新决策之间的实时权衡来设计多项式时间在线算法,这些算法基于每个单个时隙的原始对偶一次性解决方案。在协调模型放置、数据调度和推理聚合的同时,我们的方法通过结合现有的离线模型和正在训练的在线模型来生成新模型,这些模型使用基于动态到达的数据样本的推理自适应更新的权重。我们的方法可以证明,事后看来,推理错误的数量不超过单个最佳模型的常数倍,并且实现了总成本的恒定竞争比。评估证实了我们的方法与其他方法相比在实际跟踪中具有更优异的性能。

5G 中的人工智能:在线分布式迁移学习的案例......

5G 中的人工智能:在线分布式迁移学习的案例......PDF文件第1页

5G 中的人工智能:在线分布式迁移学习的案例......PDF文件第2页

5G 中的人工智能:在线分布式迁移学习的案例......PDF文件第3页

5G 中的人工智能:在线分布式迁移学习的案例......PDF文件第4页

5G 中的人工智能:在线分布式迁移学习的案例......PDF文件第5页

相关文件推荐