Machine Learning,Distributed, Parallel, and Cluster Computing,Networking and Internet Architecture,Signal Processing,یادگیری ماشین , توزیع , موازی و خوشه , شبکه سازی و معماری اینترنت , پردازش سیگنال ,
توضیحات
Submitted 26 August, 2024; originally announced August 2024. , Comments: 14 pages, 10 figures
توضیحات به فارسی
ارسال شده در 26 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد ، نظرات: 14 صفحه ، 10 شکل
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
Space-ground integrated networks hold great promise for providing global connectivity, particularly in remote areas where large amounts of valuable data are generated by Internet of Things (IoT) devices, but lacking terrestrial communication infrastructure. The massive data is conventionally transferred to the cloud server for centralized artificial intelligence (AI) models training, raising huge communication overhead and privacy concerns. To address this, we propose a hierarchical learning and computing framework, which leverages the lowlatency characteristic of low-earth-orbit (LEO) satellites and the global coverage of geostationary-earth-orbit (GEO) satellites, to provide global aggregation services for locally trained models on ground IoT devices. Due to the time-varying nature of satellite network topology and the energy constraints of LEO satellites, efficiently aggregating the received local models from ground devices on LEO satellites is highly challenging. By leveraging the predictability of inter-satellite connectivity, modeling the space network as a directed graph, we formulate a network energy minimization problem for model aggregation, which turns out to be a Directed Steiner Tree (DST) problem. We propose a topologyaware energy-efficient routing (TAEER) algorithm to solve the DST problem by finding a minimum spanning arborescence on a substitute directed graph. Extensive simulations under realworld space-ground integrated network settings demonstrate that the proposed TAEER algorithm significantly reduces energy consumption and outperforms benchmarks.
چکیده به فارسی (ترجمه ماشینی)
شبکه های یکپارچه فضایی برای تأمین اتصال جهانی ، به ویژه در مناطق دور افتاده که مقادیر زیادی از داده های ارزشمند توسط دستگاه های اینترنتی اشیاء (IoT) تولید می شود ، اما فاقد زیرساخت های ارتباطی زمینی هستند ، وعده های زیادی دارند.داده های عظیم معمولاً برای آموزش مدلهای متمرکز هوش مصنوعی (AI) به سرور ابر منتقل می شوند و ارتباطات عظیمی از سربار و نگرانی های مربوط به حریم خصوصی را افزایش می دهند.برای پرداختن به این موضوع ، ما یک چارچوب یادگیری و محاسبات سلسله مراتبی را پیشنهاد می کنیم ، که از ویژگی های پایین آمدن ماهواره های کم زمین (LEO) و پوشش جهانی ماهواره های زمین جغرافیایی-اوریتس (GEO) استفاده می کند تا خدمات جمع آوری جهانی را برای محلی فراهم کند.مدل های آموزش دیده در دستگاه های IoT Ground.با توجه به ماهیت متغیر زمان توپولوژی شبکه ماهواره ای و محدودیت های انرژی ماهواره های لئو ، جمع آوری مدلهای محلی دریافت شده از دستگاههای زمینی روی ماهواره های لئو بسیار چالش برانگیز است.با استفاده از پیش بینی اتصال بین ماهواره ، مدل سازی شبکه فضایی به عنوان یک نمودار کارگردانی ، ما یک مشکل به حداقل رساندن انرژی شبکه را برای تجمع مدل تشکیل می دهیم ، که به نظر می رسد یک مشکل درخت اشتاینر (DST) است.ما یک الگوریتم مسیریابی با انرژی (TAEER) با انرژی TopologyAware را برای حل مشکل DST با یافتن حداقل یک آبرسانس پوششی در یک نمودار جایگزین جایگزین پیشنهاد می کنیم.شبیه سازی های گسترده تحت تنظیمات شبکه یکپارچه فضایی Realworld نشان می دهد که الگوریتم پیشنهادی Taeer به طور قابل توجهی مصرف انرژی را کاهش می دهد و از معیارهای بهتر عمل 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.
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
