اکسپرس 24
ترجمه فارسی مقاله FedBAT: یادگیری فدرال کارآمد از نظر ارتباطی از طریق باینری‌سازی قابل یادگیری

ترجمه فارسی مقاله FedBAT: یادگیری فدرال کارآمد از نظر ارتباطی از طریق باینری‌سازی قابل یادگیری

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 FedBAT: Communication-Efficient Federated Learning via Learnable Binarization
عنوان مقاله به فارسی FedBAT: یادگیری فدرال کارآمد از نظر ارتباطی از طریق باینری‌سازی قابل یادگیری
نویسندگان Shiwei Li, Wenchao Xu, Haozhao Wang, Xing Tang, Yining Qi, Shijie Xu, Weihong Luo, Yuhua Li, Xiuqiang He, Ruixuan Li
فرمت مقاله انگلیسی PDF
تعداد صفحات 22
دسته بندی موضوعات Machine Learning,Distributed, Parallel, and Cluster Computing,یادگیری ماشین , توزیع , موازی و محاسبات خوشه ای ,
توضیحات Submitted 6 August, 2024; originally announced August 2024. , Comments: Accepted by ICML 2024
توضیحات به فارسی ارائه شده در 6 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد ، نظرات: توسط ICML 2024 پذیرفته شده است

قیمت: 19,000 تومان

سفارش

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

قیمت: 880,000 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

Federated learning is a promising distributed machine learning paradigm that can effectively exploit large-scale data without exposing users' privacy. However, it may incur significant communication overhead, thereby potentially impairing the training efficiency. To address this challenge, numerous studies suggest binarizing the model updates. Nonetheless, traditional methods usually binarize model updates in a post-training manner, resulting in significant approximation errors and consequent degradation in model accuracy. To this end, we propose Federated Binarization-Aware Training (FedBAT), a novel framework that directly learns binary model updates during the local training process, thus inherently reducing the approximation errors. FedBAT incorporates an innovative binarization operator, along with meticulously designed derivatives to facilitate efficient learning. In addition, we establish theoretical guarantees regarding the convergence of FedBAT. Extensive experiments are conducted on four popular datasets. The results show that FedBAT significantly accelerates the convergence and exceeds the accuracy of baselines by up to 9%, even surpassing that of FedAvg in some cases.

چکیده به فارسی (ترجمه ماشینی)

Federated Learning یک پارادایم امیدوارکننده در یادگیری ماشین است که می تواند به طور مؤثر از داده های در مقیاس بزرگ بدون افشای حریم خصوصی کاربران بهره برداری کند.با این حال ، ممکن است ارتباط قابل توجهی در سربار داشته باشد ، در نتیجه به طور بالقوه باعث اختلال در راندمان آموزش می شود.برای پرداختن به این چالش ، مطالعات بیشماری حاکی از بانار کردن به روزرسانی های مدل است.با این وجود ، روشهای سنتی معمولاً به روزرسانی های مدل را به صورت پس از آموزش به روز می کنند ، و در نتیجه خطاهای تقریب قابل توجهی و تخریب در نتیجه در دقت مدل ایجاد می شود.برای این منظور ، ما آموزش های آگاهی از باناریزاسیون فدرال (FEDBAT) را پیشنهاد می کنیم ، یک چارچوب جدید که مستقیماً به روزرسانی های مدل باینری را در طی فرایند آموزش محلی می آموزد ، بنابراین ذاتاً خطاهای تقریبی را کاهش می دهد.FEDBAT شامل یک اپراتور بایرزیزاسیون نوآورانه ، همراه با مشتقات طراحی دقیق برای تسهیل یادگیری کارآمد است.علاوه بر این ، ما در مورد همگرایی FEDBAT ضمانت های نظری را تعیین می کنیم.آزمایش های گسترده در چهار مجموعه داده محبوب انجام می شود.نتایج نشان می دهد که FEDBAT به طور قابل توجهی همگرایی را تسریع می کند و از دقت خطوط پایه تا 9 ٪ فراتر می رود ، حتی در برخی موارد از FEDAVG پیشی می گیرد.

📚 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.