اکسپرس 24
ترجمه فارسی مقاله یادگیری فدرال کارآمد با استفاده از به‌روزرسانی پویا و هرس تطبیقی ​​با مومنتوم روی داده‌های سرور مشترک

ترجمه فارسی مقاله یادگیری فدرال کارآمد با استفاده از به‌روزرسانی پویا و هرس تطبیقی ​​با مومنتوم روی داده‌های سرور مشترک

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 Efficient Federated Learning Using Dynamic Update and Adaptive Pruning with Momentum on Shared Server Data
عنوان مقاله به فارسی یادگیری فدرال کارآمد با استفاده از به‌روزرسانی پویا و هرس تطبیقی ​​با مومنتوم روی داده‌های سرور مشترک
نویسندگان Ji Liu, Juncheng Jia, Hong Zhang, Yuhui Yun, Leye Wang, Yang Zhou, Huaiyu Dai, Dejing Dou
فرمت مقاله انگلیسی PDF
تعداد صفحات 27
دسته بندی موضوعات Distributed, Parallel, and Cluster Computing,Artificial Intelligence,Machine Learning,محاسبات توزیع شده , موازی و خوشه ای , هوش مصنوعی , یادگیری ماشین
توضیحات Submitted 10 August, 2024; originally announced August 2024. , Comments: 27 pages, to appear in TIST
توضیحات به فارسی ارسال شده 10 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد. ، نظرات: 27 صفحه ، برای ظاهر شدن در TIST

قیمت: 19,000 تومان

سفارش

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، را نیز سفارش می‌دهید.

قیمت: 1,080,000 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

Despite achieving remarkable performance, Federated Learning (FL) encounters two important problems, i.e., low training efficiency and limited computational resources. In this paper, we propose a new FL framework, i.e., FedDUMAP, with three original contributions, to leverage the shared insensitive data on the server in addition to the distributed data in edge devices so as to efficiently train a global model. First, we propose a simple dynamic server update algorithm, which takes advantage of the shared insensitive data on the server while dynamically adjusting the update steps on the server in order to speed up the convergence and improve the accuracy. Second, we propose an adaptive optimization method with the dynamic server update algorithm to exploit the global momentum on the server and each local device for superior accuracy. Third, we develop a layer-adaptive model pruning method to carry out specific pruning operations, which is adapted to the diverse features of each layer so as to attain an excellent trade-off between effectiveness and efficiency. Our proposed FL model, FedDUMAP, combines the three original techniques and has a significantly better performance compared with baseline approaches in terms of efficiency (up to 16.9 times faster), accuracy (up to 20.4% higher), and computational cost (up to 62.6% smaller).

چکیده به فارسی (ترجمه ماشینی)

با وجود دستیابی به عملکرد قابل توجه ، یادگیری فدرال (FL) با دو مشکل مهم ، یعنی راندمان کم آموزش و منابع محاسباتی محدود روبرو می شود.در این مقاله ، ما یک چارچوب FL جدید ، یعنی FEDDUMAP ، با سه سهم اصلی ، پیشنهاد می کنیم تا علاوه بر داده های توزیع شده در دستگاه های Edge ، داده های غیر حساس مشترک را نیز در سرور اعمال کنیم تا بتوانند یک مدل جهانی را به طور کارآمد آموزش دهیم.اول ، ما یک الگوریتم به روزرسانی سرور پویا ساده را پیشنهاد می کنیم ، که از داده های غیر حساس به اشتراک گذاشته شده در سرور استفاده می کند در حالی که به طور پویا مراحل بروزرسانی را روی سرور تنظیم می کند تا بتواند همگرایی را سرعت بخشد و دقت را بهبود بخشد.دوم ، ما یک روش بهینه سازی تطبیقی ​​با الگوریتم به روزرسانی سرور پویا برای بهره برداری از حرکت جهانی روی سرور و هر دستگاه محلی برای دقت برتر پیشنهاد می کنیم.سوم ، ما یک روش هرس مدل سازگار با لایه برای انجام عملیات هرس خاص ، که با ویژگی های متنوع هر لایه سازگار است ، ایجاد می کنیم تا بتوانیم تجارت عالی بین اثربخشی و کارآیی بدست آوریم.مدل FL پیشنهادی ما ، FedDumap ، سه تکنیک اصلی را ترکیب می کند و عملکرد قابل توجهی بهتر در مقایسه با رویکردهای پایه از نظر کارآیی (تا 16.9 برابر سریعتر) ، دقت (حداکثر 20.4 ٪ بالاتر) و هزینه محاسباتی (حداکثر 62.6٪ کوچکتر).

📚 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.