مقاله یادگیری فدرال از طریق هوا با نویز فاز: تجزیه و تحلیل و اقدامات متقابل

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Over-the-Air Federated Learning with Phase Noise: Analysis and Countermeasures
عنوان مقاله به فارسی مقاله یادگیری فدرال فراتر از هوا با نویز فاز: تجزیه و تحلیل و اقدامات متقابل
نویسندگان Martin Dahl, Erik G. Larsson
زبان مقاله انگلیسی
فرمت مقاله: PDF
تعداد صفحات 7
دسته بندی موضوعات Signal Processing,Distributed, Parallel, and Cluster Computing,پردازش سیگنال , توزیع , موازی و محاسبات خوشه ای ,
توضیحات Submitted 16 January, 2024; originally announced January 2024. , Comments: Accepted in CISS 2024
توضیحات به فارسی 16 ژانویه 2024 ارسال شد.در ابتدا ژانویه 2024 اعلام شد ، نظرات: در CISS 2024 پذیرفته شده است

چکیده

Wirelessly connected devices can collaborately train a machine learning model using federated learning, where the aggregation of model updates occurs using over-the-air computation. Carrier frequency offset caused by imprecise clocks in devices will cause the phase of the over-the-air channel to drift randomly, such that late symbols in a coherence block are transmitted with lower quality than early symbols. To mitigate the effect of degrading symbol quality, we propose a scheme where one of the permutations Roll, Flip and Sort are applied on gradients before transmission. Through simulations we show that the permutations can both improve and degrade learning performance. Furthermore, we derive the expectation and variance of the gradient estimate, which is shown to grow exponentially with the number of symbols in a coherence block.

چکیده به فارسی (ترجمه ماشینی)

دستگاه های متصل به بی سیم می توانند با استفاده از یادگیری فدرال ، یک مدل یادگیری ماشین را با هم همکاری کنند ، جایی که تجمع به روزرسانی های مدل با استفاده از محاسبات بیش از حد هوا اتفاق می افتد.جبران فرکانس حامل ناشی از ساعتهای نادرست در دستگاه ها باعث می شود مرحله کانال خارج از هوا به طور تصادفی حرکت کند ، به گونه ای که نمادهای دیررس در یک بلوک انسجام با کیفیت پایین تر از نمادهای اولیه منتقل می شوند.برای کاهش تأثیر کیفیت نماد تحقیرآمیز ، ما طرحی را پیشنهاد می کنیم که در آن یکی از جابجایی ها ، تلنگر و مرتب سازی بر روی شیب ها قبل از انتقال اعمال شود.از طریق شبیه سازی ها نشان می دهیم که مجوزها هم می توانند عملکرد یادگیری را بهبود بخشند و تخریب کنند.علاوه بر این ، ما انتظار و واریانس تخمین شیب را استخراج می کنیم ، که نشان داده می شود با تعداد نمادها در یک بلوک انسجام به صورت نمایی رشد می کند.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.