ترجمه فارسی مقاله هرس مدل مشترک و تخصیص منابع برای یادگیری فدرال مبتنی بر زمان بی‌سیم

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Joint Model Pruning and Resource Allocation for Wireless Time-triggered Federated Learning
عنوان مقاله به فارسی هرس مدل مشترک و تخصیص منابع برای یادگیری فدرال مبتنی بر زمان بی‌سیم
نویسندگان Xinlu Zhang, Yansha Deng, Toktam Mahmoodi
فرمت مقاله انگلیسی PDF
تعداد صفحات 6
دسته بندی موضوعات Machine Learning,Information Theory,یادگیری ماشین , تئوری اطلاعات ,
توضیحات Submitted 3 August, 2024; originally announced August 2024. , Comments: Accepted in IEEE Global Communications Conference 2024
توضیحات به فارسی ارسال شده در 3 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد. ، نظرات: در کنفرانس ارتباطات جهانی IEEE پذیرفته شده 2024

قیمت: 19,000 تومان

دانلود مقاله اصل انگلیسی + خلاصه دو صفحه ای مقاله + پادکست صوتی فارسی خلاصه مقاله

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، یک خلاصه دو صفحه‌ای فارسی و پادکست صوتی فارسی خلاصه مقاله را نیز دریافت خواهید کرد.

قیمت: 99,000 تومان

سفارش + خلاصه دو صفحه ای مقاله + پادکست صوتی فارسی خلاصه مقاله

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی و ترجمه کامل آن، یک خلاصه دو صفحه‌ای فارسی و پادکست صوتی فارسی خلاصه مقاله را نیز دریافت خواهید کرد.

قیمت: 240,000 تومان

زمان تحویل: 2 تا 3 روز کاری


📚 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

چکیده

Time-triggered federated learning, in contrast to conventional event-based federated learning, organizes users into tiers based on fixed time intervals. However, this network still faces challenges due to a growing number of devices and limited wireless bandwidth, increasing issues like stragglers and communication overhead. In this paper, we apply model pruning to wireless Time-triggered systems and jointly study the problem of optimizing the pruning ratio and bandwidth allocation to minimize training loss under communication latency constraints. To solve this joint optimization problem, we perform a convergence analysis on the gradient $l_2$-norm of the asynchronous multi-tier federated learning (FL) model with adaptive model pruning. The convergence upper bound is derived and a joint optimization problem of pruning ratio and wireless bandwidth is defined to minimize the model training loss under a given communication latency constraint. The closed-form solutions for wireless bandwidth and pruning ratio by using KKT conditions are then formulated. As indicated in the simulation experiments, our proposed TT-Prune demonstrates a 40% reduction in communication cost, compared with the asynchronous multi-tier FL without model pruning, while maintaining the model convergence at the same level.

چکیده به فارسی (ترجمه ماشینی)

یادگیری فدرالژنده زمان محرک ، بر خلاف یادگیری فدرال فدرال مبتنی بر رویداد معمولی ، بر اساس فواصل زمانی ثابت ، کاربران را در ردیف ها سازماندهی می کند.با این حال ، این شبکه به دلیل تعداد فزاینده ای از دستگاه ها و پهنای باند بی سیم محدود ، هنوز هم با چالش هایی روبرو است ، و مسائلی مانند Stragglers و ارتباطات را افزایش می دهد.در این مقاله ، ما هرس مدل را به سیستم های تحریک شده با زمان بی سیم اعمال می کنیم و به طور مشترک مشکل بهینه سازی نسبت هرس و تخصیص پهنای باند را بررسی می کنیم تا از دست دادن آموزش تحت محدودیت های تأخیر ارتباطی به حداقل برسد.برای حل این مشکل بهینه سازی مشترک ، ما یک تجزیه و تحلیل همگرایی را بر روی گرادیان $ L_2 $-norm از مدل یادگیری چند لایه ناهمزمان (FL) با هرس مدل تطبیقی ​​انجام می دهیم.مرز بالایی همگرایی مشتق شده است و یک مشکل بهینه سازی مشترک نسبت هرس و پهنای باند بی سیم برای به حداقل رساندن از دست دادن آموزش مدل تحت یک محدودیت تأخیر ارتباطی مشخص تعریف شده است.راه حل های بسته برای پهنای باند بی سیم و نسبت هرس با استفاده از شرایط KKT تدوین می شود.همانطور که در آزمایش های شبیه سازی نشان داده شده است ، TT-RUNE پیشنهادی ما کاهش 40 ٪ در هزینه ارتباطی را نشان می دهد ، در مقایسه با FL چند لایه ناهمزمان بدون هرس مدل ، ضمن حفظ همگرایی مدل در همان سطح.

📚 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.