Machine Learning,Artificial Intelligence,Neural and Evolutionary Computing,یادگیری ماشین , هوش مصنوعی , محاسبات عصبی و تکاملی ,
توضیحات
Submitted 19 September, 2024; originally announced September 2024. , Comments: This paper has been accepted for publication at the 43rd IEEE International Performance Computing and Communications Conference (IPCCC 2024)
توضیحات به فارسی
ارسال شده در 19 سپتامبر 2024 ؛در ابتدا در سپتامبر 2024 اعلام شد. ، نظرات: این مقاله برای انتشار در 43th کنفرانس محاسبات و ارتباطات بین المللی IEEE (IPCCC 2024) پذیرفته شده است.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 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
چکیده
Spiking Neural Networks (SNNs) have recently gained significant interest in on-chip learning in embedded devices and emerged as an energy-efficient alternative to conventional Artificial Neural Networks (ANNs). However, to extend SNNs to a Federated Learning (FL) setting involving collaborative model training, the communication between the local devices and the remote server remains the bottleneck, which is often restricted and costly. In this paper, we first explore the inherent robustness of SNNs under noisy communication in FL. Building upon this foundation, we propose a novel Federated Learning with Top-K Sparsification (FLTS) algorithm to reduce the bandwidth usage for FL training. We discover that the proposed scheme with SNNs allows more bandwidth savings compared to ANNs without impacting the model's accuracy. Additionally, the number of parameters to be communicated can be reduced to as low as 6 percent of the size of the original model. We further improve the communication efficiency by enabling dynamic parameter compression during model training. Extensive experiment results demonstrate that our proposed algorithms significantly outperform the baselines in terms of communication cost and model accuracy and are promising for practical network-efficient FL with SNNs.
چکیده به فارسی (ترجمه ماشینی)
شبکه های عصبی سنبله (SNN) اخیراً علاقه زیادی به یادگیری روی تراشه در دستگاه های تعبیه شده داشته و به عنوان یک جایگزین کارآمد برای انرژی برای شبکه های عصبی مصنوعی معمولی (ANNS) ظاهر شده است.با این حال ، برای گسترش SNN ها به یک یادگیری فدراسیون (FL) که شامل آموزش مدل مشترک است ، ارتباط بین دستگاه های محلی و سرور از راه دور تنگنای باقی می ماند ، که اغلب محدود و پرهزینه است.در این مقاله ، ما ابتدا استحکام ذاتی SNN ها را تحت ارتباطات پر سر و صدا در FL کشف می کنیم.با تکیه بر این بنیاد ، ما یک یادگیری جدید فدراسیون با الگوریتم پراکندگی بالا K (FLTS) را برای کاهش میزان استفاده از پهنای باند برای آموزش FL پیشنهاد می کنیم.ما می دانیم که طرح پیشنهادی با SNNS امکان صرفه جویی در پهنای باند بیشتری را در مقایسه با ANNS بدون تأثیرگذاری بر صحت مدل فراهم می کند.علاوه بر این ، تعداد پارامترهای مورد نیاز برای برقراری ارتباط را می توان به 6 درصد از اندازه مدل اصلی کاهش داد.ما بیشتر با فعال کردن فشرده سازی پارامتر پویا در طول آموزش مدل ، بازده ارتباطات را بهبود می بخشیم.نتایج آزمایش گسترده نشان می دهد که الگوریتم های پیشنهادی ما از نظر هزینه ارتباطی و دقت مدل به طور قابل توجهی از خط مقدمات بهتر عمل می کنند و برای FL کارآمد شبکه با SNN امیدوار هستند.
📚 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.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 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
