BriefGPT - AI 论文速递
·
基于流数据的能效联合边缘学习：一种 Lyapunov 优化方法
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
本文介绍了联邦边缘学习框架（FEEL），通过在边缘设备上进行本地模型训练并与全局模型在服务器上进行协调，实现了边缘设备上的学习算法。同时，提出了节能策略和移动策略，以提高学习性能和节能效果。实验结果表明，该策略在节能方面有显著提升。
🎯
关键要点
- 本文介绍了联邦边缘学习框架（FEEL），旨在保护数据隐私。
- FEEL通过在边缘设备上进行本地模型训练，并与服务器上的全局模型协调，实现学习算法。
- 提出了节能策略，以减少设备能耗，同时保证学习性能。
- 根据设备的信道状态和计算能力，优化带宽分配和时间安排。
- 优化策略为弱信道和计算能力较差的设备分配更多带宽，以确保模型同步更新。
- 设计了移动策略，优先考虑信道和计算能力较好的设备。
- 实验结果显示，提出的策略在节能方面有显著提升。
➡️
