ترجمه فارسی مقاله ناهمگونی: یک چالش باز برای یادگیری ماشین روی برد فدرال

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Heterogeneity: An Open Challenge for Federated On-board Machine Learning
عنوان مقاله به فارسی ناهمگونی: یک چالش باز برای یادگیری ماشین روی برد فدرال
نویسندگان Maria Hartmann, Grégoire Danoy, Pascal Bouvry
فرمت مقاله انگلیسی PDF
تعداد صفحات 6
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Distributed, Parallel, and Cluster Computing,Machine Learning,محاسبات توزیع شده , موازی و خوشه ای , یادگیری ماشین ,
توضیحات Submitted 13 August, 2024; originally announced August 2024. , Comments: Accepted to the ESA SPAICE conference 2024
توضیحات به فارسی ارسال شده در 13 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد ، نظرات: پذیرفته شده در کنفرانس ESA Spaice 2024
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

The design of satellite missions is currently undergoing a paradigm shift from the historical approach of individualised monolithic satellites towards distributed mission configurations, consisting of multiple small satellites. With a rapidly growing number of such satellites now deployed in orbit, each collecting large amounts of data, interest in on-board orbital edge computing is rising. Federated Learning is a promising distributed computing approach in this context, allowing multiple satellites to collaborate efficiently in training on-board machine learning models. Though recent works on the use of Federated Learning in orbital edge computing have focused largely on homogeneous satellite constellations, Federated Learning could also be employed to allow heterogeneous satellites to form ad-hoc collaborations, e.g. in the case of communications satellites operated by different providers. Such an application presents additional challenges to the Federated Learning paradigm, arising largely from the heterogeneity of such a system. In this position paper, we offer a systematic review of these challenges in the context of the cross-provider use case, giving a brief overview of the state-of-the-art for each, and providing an entry point for deeper exploration of each issue.

چکیده به فارسی (ترجمه ماشینی)

طراحی ماموریت های ماهواره ای در حال حاضر در حال تغییر پارادایم از رویکرد تاریخی ماهواره های یکپارچه یکپارچه به سمت تنظیمات مأموریت توزیع شده ، متشکل از ماهواره های کوچک کوچک است.با تعداد در حال رشد سریع چنین ماهواره هایی که اکنون در مدار مستقر شده اند ، هر یک از داده های زیادی را جمع آوری می کنند ، علاقه به محاسبات لبه مداری در داخل در حال افزایش است.یادگیری فدرال یک رویکرد محاسبات توزیع شده امیدوارکننده در این زمینه است ، و به ماهواره های متعدد اجازه می دهد تا در آموزش مدلهای یادگیری ماشین بر روی صفحه همکاری کنند.اگرچه کارهای اخیر در مورد استفاده از یادگیری فدرال در محاسبات لبه مداری عمدتاً روی صورتهای فلکی ماهواره ای همگن متمرکز شده است ، اما از یادگیری فدرال نیز می توان استفاده کرد تا ماهواره های ناهمگن بتوانند همکاری های موقت را تشکیل دهند ، به عنوان مثال.در مورد ماهواره های ارتباطی که توسط ارائه دهندگان مختلف اداره می شوند.چنین کاربردی چالش های دیگری را برای الگوی یادگیری فدرال ارائه می دهد ، که عمدتا ناشی از ناهمگونی چنین سیستمی است.در این مقاله موقعیت ، ما یک بررسی منظم از این چالش ها را در زمینه مورد استفاده از ارائه دهنده متقابل ارائه می دهیم ، و یک مرور کلی از پیشرفته ترین ها برای هر یک ارائه می دهیم ، و یک نقطه ورود برای اکتشاف عمیق تر از هر یک را ارائه می دهیممسئله

📚 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.