כתבה
arXiv cs.LG ·
Tram-FL: צמצום עלויות תקשורת וחישוב בלמידה מפוצלת מאולתרת
Tram-FL: Reducing Communication and Computation Costs through Sequential Model Circulation in Decentralized Federated Learning
Tram-FL מצמצם עלויות תקשורת וחישוב בלמידה מפוצלת מאולתרת. המנגנון, Tram-FL, מקיף גישה חדשה ללמידה מפוצלת, המספקת דגמים גבוהים עם עלויות נמוכות. ניתן להשתמש ב-Gemini כדי להשיג דגמים גבוהים.
תקציר מקורי באנגליתarXiv:2610.07859v1 Announce Type: new Abstract: Conventional decentralized federated learning (DFL) often focuses on clients, with each client maintaining a model copy, performing updates individually, and undertaking model exchange and integration. While fully leveraging computational resources can shorten training times, it can also lead to significant computational and communication waste. This is especially pronounced with non-independent and identically distributed (non-IID) data, where achieving high model accuracy demands extra resources. This research shifts focus to the model itself, aiming to realize DFL with minimal computation and communication costs. To this end, we propose Tram-FL (Traveling Model Training Mechanism for Decentralized Federated Learning), a mechanism designed
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית