ترجمه فارسی مقاله یادگیری فدرال ارکستر در شبکه های یکپارچه فضایی-زمین: بارگیری داده های تطبیقی ​​و انتقال یکپارچه

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Orchestrating Federated Learning in Space-Air-Ground Integrated Networks: Adaptive Data Offloading and Seamless Handover
عنوان مقاله به فارسی یادگیری فدرال ارکستر در شبکه های یکپارچه فضایی-زمین: بارگیری داده های تطبیقی ​​و انتقال یکپارچه
نویسندگان Dong-Jun Han, Wenzhi Fang, Seyyedali Hosseinalipour, Mung Chiang, Christopher G. Brinton
فرمت مقاله انگلیسی PDF
تعداد صفحات 15
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Distributed, Parallel, and Cluster Computing,محاسبات توزیع شده , موازی و خوشه ای ,
توضیحات Submitted 18 August, 2024; originally announced August 2024. , Comments: This paper is accepted for publication in IEEE Journal on Selected Areas in Communications (JSAC)
توضیحات به فارسی ارائه شده در 18 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد. ، نظرات: این مقاله برای انتشار در مجله IEEE در زمینه های منتخب در ارتباطات (JSAC) پذیرفته شده است
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

Devices located in remote regions often lack coverage from well-developed terrestrial communication infrastructure. This not only prevents them from experiencing high quality communication services but also hinders the delivery of machine learning services in remote regions. In this paper, we propose a new federated learning (FL) methodology tailored to space-air-ground integrated networks (SAGINs) to tackle this issue. Our approach strategically leverages the nodes within space and air layers as both (i) edge computing units and (ii) model aggregators during the FL process, addressing the challenges that arise from the limited computation powers of ground devices and the absence of terrestrial base stations in the target region. The key idea behind our methodology is the adaptive data offloading and handover procedures that incorporate various network dynamics in SAGINs, including the mobility, heterogeneous computation powers, and inconsistent coverage times of incoming satellites. We analyze the latency of our scheme and develop an adaptive data offloading optimizer, and also characterize the theoretical convergence bound of our proposed algorithm. Experimental results confirm the advantage of our SAGIN-assisted FL methodology in terms of training time and test accuracy compared with various baselines.

چکیده به فارسی (ترجمه ماشینی)

دستگاه های واقع در مناطق از راه دور اغلب فاقد پوشش زیرساخت های ارتباطی زمینی به خوبی توسعه یافته هستند.این امر نه تنها مانع از تجربه خدمات ارتباطی با کیفیت بالا می شود بلکه مانع از ارائه خدمات یادگیری ماشین در مناطق از راه دور می شود.در این مقاله ، ما یک روش جدید یادگیری فدراسیون (FL) متناسب با شبکه های یکپارچه فضایی-Air-Ground (SAGINS) را برای مقابله با این مسئله پیشنهاد می کنیم.رویکرد ما از نظر استراتژیک گره های موجود در فضا و لایه های هوا را به عنوان هر دو واحد محاسبات لبه و (ب) مدل های مدل در طی فرآیند FL به کار می برد و به چالش هایی که از قدرت محاسبات محدود دستگاه های زمینی و عدم وجود ایستگاه های پایه زمینی ناشی می شود ، پرداخته است.در منطقه هدفایده اصلی در مورد روش شناسی ما ، روشهای بارگیری و انتقال داده های سازگار است که شامل پویایی های مختلف شبکه در ساژین ها ، از جمله تحرک ، قدرت محاسبات ناهمگن و زمان پوشش متناقض ماهواره های ورودی است.ما تأخیر طرح خود را تجزیه و تحلیل می کنیم و یک بهینه ساز بارگذاری داده های سازگار را توسعه می دهیم ، و همچنین مرز همگرایی نظری الگوریتم پیشنهادی ما را توصیف می کنیم.نتایج تجربی مزیت روش FL به کمک ساژین ما را از نظر زمان آموزش و دقت آزمایش در مقایسه با خطوط مختلف تأیید 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.

🎯 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.