机构名称：
¥ 1.0
许多因素都表征了合作培训的特征，例如选择模型，使用的数据以及要使用的节点；对这些方面做出决定是具有挑战性的，因为它们相互影响。这项工作的第一部分提出了两个不同的CL方案。在第一个中，深神经网络（DNN）的层或其中多个实例在移动边缘连续体的不同设备上运行。第二种情况着重于跨节点的顺序学习，并利用修剪，这是一种良好的压缩DNN的技术，需要在培训过程中何时以及修剪模型的何时以及多少决定。重要的是，每个节点训练模型的所有层，无论是完整的还是修剪的。在每种情况下，我们都设计了一个算法框架，鉴于上述因素之间的相互依赖性，对它们进行了联合决策，以优化培训能源消耗，同时满足时间和质量约束。所提出的框架具有多项式时间的复杂性，并被证明可以做出近乎最佳的决策，优于替代方法，这是通过我们广泛的绩效评估来验证的。CL中的另一个关键挑战在于缺乏激励节点参加学习的动机，因为除非对他们有益，否则它们不会为培训分配计算和沟通资源。因此，为了促进节点之间的合作，我们基于慷慨的Tit-Tat策略开发了一种游戏理论方法。设计的方法是
移动网络中的资源感知和弹性学习
主要关键词
相关文件推荐
