联邦学习碳追踪模型：量化和稀疏化影响
原文中文，约400字，阅读约需1分钟。发表于：。基于边缘设备的联邦学习方法通过采用高效的通信技术来分布机器学习任务，相比于集中式解决方案，减少了数据存储和计算复杂性方面的开销。该论文提出了一个用于实时监测联邦学习系统能源和碳足迹影响的框架，并通过对共识（完全分散）和经典联邦学习策略的评估，首次定量评估了不同的计算和通信高效联邦学习方法在能源消耗和碳等效排放方面的表现，并提供了能效设计的一般指导原则。研究结果表明，在通信能效较低（即 <...
该论文提出了一个用于实时监测联邦学习系统能源和碳足迹影响的框架，并评估了不同的计算和通信高效联邦学习方法在能源消耗和碳排放方面的表现。研究结果表明，共识驱动的联邦学习实现可以限制碳排放，量化和稀疏化操作可以平衡学习性能和能源消耗，从而导致可持续的联邦学习设计。
