机构名称：
¥ 1.0
联合学习（FL）代表在现实情况下对多个客户启用分布式学习的事实上的标准范式。尽管在准确性和隐私意识方面取得了长足的进步，但在现实世界中，尤其是在工业部署环境中，FL的真正采用仍然是一个开放的线程。这主要是由于隐私限制以及在带宽，计算和能量受限的节点上采用AI技术时调节的额外复杂性。受这些问题的启发，我们专注于参与客户的特征，其特征是高度异构的计算功能和能源预算提出ENEA-FL，ENEA-FL是无服务器智能能源管理的创新计划。这种新颖的方法动态适应以优化训练过程，同时促进物联网（IoT）设备和边缘节点之间的无缝互动。，提出的中间件提供了一个容器化的软件模块，该模块有效地管理每个工人节点与中央聚合器的相互作用。通过监视当地能源预算，计算能力和目标准确性，ENEA智能地做出了有关在随后的训练回合中包含特定节点的明智决定，从而有效地平衡了能耗，训练时间和最终准确性之间的三方权衡。最后，在各种情况的一系列广泛的实验中，我们的解决方案表现出令人印象深刻的结果，对文献中可用的流行客户选择方法的能源消耗降低了30％至60％，而其效率是标准FL解决方案的3.5倍。
无服务器联合学习的能源感知的编排
主要关键词
相关文件推荐
