כתבה
arXiv cs.LG ·
TASTE: שיטה חדשה לאיזון גודל תפוקה לקידוד על-מכשיר
TASTE: Throughput-Aware Batch Size Tuning for On-Device Edge Learning
מחקר חדש מציג שיטה לאיזון גודל תפוקה לקידוד על-מכשיר, המקסימה את התפוקה של חומרה רגישה לפרטיות. השיטה, המכונה TASTE, משתמשת באופטימיזציה Bayesiana לקבוע את גודל התפוקה האופטימלי.
תקציר מקורי באנגליתarXiv:2609.07444v1 Announce Type: new Abstract: The rise of privacy-preserving artificial intelligence (AI) has shifted the focus of model adaptation and personalization towards on-device learning, where deep learning models are finetuned directly on edge hardware using local user data. However, this shift requires optimization of deep learning training on resource-constrained hardware to maximize throughput while maintaining predictive accuracy. This paper introduces a novel technique for on-device model training that incorporates an efficient Bayesian optimization-based batch size tuning approach to maximize hardware throughput. To evaluate the impact of this hyperparameter on the learning dynamics, we investigated two distinct paradigms: standard supervised learning (SL) and online cont
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית