机构名称：
¥ 1.0
天气预报的设备智能使用本地深度学习模型来分析没有集中云计算的天气模型，对支持人类激活具有重要意义。联邦学习是通过在不共享原始数据的情况下进行协作模型培训来实现协作模型培训的一种有希望的解决方案。但是，它面临着妨碍其可靠性的三个主要挑战：（1）由于地理差异而导致设备之间的数据异质性； （2）单个设备中的数据同质性和（3）发送大型模型参数以进行协作而进行的通信过载。为了应对这些挑战，本文为天气模型（FEDPOD）提供了供您提供的供应的p rompt学习，该模型（FEDPOD）启动了启动的设备，以在维持沟通效率的同时获得高度定制的模型。具体而言，我们的自适应及时调整杆轻巧的提示指导冷冻基础模型产生更精确的预测，还进行了迅速的基于基于多层次的沟通，以鼓励多源知识知识效果并调节优化。此外，Dy-Namic图建模构造了提示的图形，优先考虑具有与异质性相似的数据分布的设备之间的协作培训。广泛的实验表明，FEDPOD在现实世界内部的天气预报数据集中领导着最先进的基线的性能。
设备上的天气基础模型的联合及时学习
主要关键词
相关文件推荐
