ترجمه فارسی مقاله یک راه حل مبتنی بر وب برای یادگیری فدرال با اتوماسیون مبتنی بر LLM

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 A Web-Based Solution for Federated Learning with LLM-Based Automation
عنوان مقاله به فارسی یک راه حل مبتنی بر وب برای یادگیری فدرال با اتوماسیون مبتنی بر LLM
نویسندگان Chamith Mawela, Chaouki Ben Issaid, Mehdi Bennis
فرمت مقاله انگلیسی PDF
تعداد صفحات 14
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Applications,یادگیری ماشین , برنامه ها ,
توضیحات Submitted 23 August, 2024; originally announced August 2024.
توضیحات به فارسی ارسال شده 23 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 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

Federated Learning (FL) offers a promising approach for collaborative machine learning across distributed devices. However, its adoption is hindered by the complexity of building reliable communication architectures and the need for expertise in both machine learning and network programming. This paper presents a comprehensive solution that simplifies the orchestration of FL tasks while integrating intent-based automation. We develop a user-friendly web application supporting the federated averaging (FedAvg) algorithm, enabling users to configure parameters through an intuitive interface. The backend solution efficiently manages communication between the parameter server and edge nodes. We also implement model compression and scheduling algorithms to optimize FL performance. Furthermore, we explore intent-based automation in FL using a fine-tuned Language Model (LLM) trained on a tailored dataset, allowing users to conduct FL tasks using high-level prompts. We observe that the LLM-based automated solution achieves comparable test accuracy to the standard web-based solution while reducing transferred bytes by up to 64% and CPU time by up to 46% for FL tasks. Also, we leverage the neural architecture search (NAS) and hyperparameter optimization (HPO) using LLM to improve the performance. We observe that by using this approach test accuracy can be improved by 10-20% for the carried out FL tasks.

چکیده به فارسی (ترجمه ماشینی)

یادگیری فدرال (FL) یک رویکرد امیدوارکننده برای یادگیری ماشین مشترک در دستگاه های توزیع شده ارائه می دهد.با این حال ، پذیرش آن با پیچیدگی ایجاد معماری های ارتباطی قابل اعتماد و نیاز به تخصص در یادگیری ماشین و برنامه نویسی شبکه مانع می شود.در این مقاله یک راه حل جامع ارائه شده است که هنگام ادغام اتوماسیون مبتنی بر قصد ، ارکستراسیون وظایف FL را ساده می کند.ما یک برنامه وب کاربر پسند را پشتیبانی می کنیم که از الگوریتم فدرال میانگین (FEDAVG) پشتیبانی می کند و به کاربران این امکان را می دهد تا پارامترها را از طریق یک رابط بصری پیکربندی کنند.راه حل باطن به طور موثری ارتباط بین سرور پارامتر و گره های لبه را مدیریت می کند.ما همچنین الگوریتم های فشرده سازی و برنامه ریزی مدل را برای بهینه سازی عملکرد FL پیاده سازی می کنیم.علاوه بر این ، ما اتوماسیون مبتنی بر قصد را در FL با استفاده از یک مدل زبان تنظیم شده خوب (LLM) که در یک مجموعه داده مناسب آموزش داده شده است ، کشف می کنیم و به کاربران امکان می دهد کارهای FL را با استفاده از سوابق سطح بالا انجام دهند.ما مشاهده می کنیم که راه حل خودکار مبتنی بر LLM ، ضمن کاهش بایت های منتقل شده تا 64 ٪ و زمان CPU تا 46 ٪ برای کارهای FL ، به دقت تست قابل مقایسه با راه حل استاندارد مبتنی بر وب دست می یابد.همچنین ، ما از جستجوی معماری عصبی (NAS) و بهینه سازی هایپرپارامتر (HPO) با استفاده از LLM برای بهبود عملکرد استفاده می کنیم.ما مشاهده می کنیم که با استفاده از این رویکرد ، دقت تست می تواند برای کارهای FL انجام شده 10-20 ٪ بهبود یابد.

📚 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.