ترجمه فارسی مقاله INR باقیمانده: یادگیری کارآمد ارتباطی روی دستگاه با استفاده از نمایش عصبی ضمنی
| عنوان مقاله به انگلیسی | Residual-INR: Communication Efficient On-Device Learning Using Implicit Neural Representation |
| عنوان مقاله به فارسی | INR باقیمانده: یادگیری کارآمد ارتباطی روی دستگاه با استفاده از نمایش عصبی ضمنی |
| نویسندگان | Hanqiu Chen, Xuebin Yao, Pradeep Subedi, Cong Hao |
| فرمت مقاله انگلیسی | |
| تعداد صفحات | 10 |
| دسته بندی موضوعات | Machine Learning,Artificial Intelligence,Computer Vision and Pattern Recognition,Distributed, Parallel, and Cluster Computing,Information Theory,یادگیری ماشین , هوش مصنوعی , چشم انداز رایانه و تشخیص الگوی , توزیع شده , موازی و محاسبات خوشه ای , تئوری اطلاعات , |
| توضیحات | Submitted 10 August, 2024; originally announced August 2024. , Comments: This paper has been accepted by ICCAD 2024 |
| توضیحات به فارسی | ارسال شده 10 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد. ، نظرات: این مقاله توسط ICCAD 2024 پذیرفته شده است |
قیمت: 19,000 تومان
سفارش
با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، را نیز سفارش میدهید.
قیمت: 400,000 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.
-
کتاب صدها نکته فارسی (خودمونی) – نسخه PDF — زبان ساده و کاربردی
مشاهده نمونه نسخه نکات ساده -
کتاب صدها نکته رسمی فارسی – نسخه PDF — نگارش استاندارد و علمی
مشاهده نمونه نسخه نکات رسمی -
کتاب صدها پرسش و پاسخ تشریحی – نسخه PDF
— هر سؤال همراه با پاسخ کامل برای درک عمیق مفاهیم
مشاهده نمونه نسخه پرسش و پاسخ -
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
Edge computing is a distributed computing paradigm that collects and processes data at or near the source of data generation. The on-device learning at edge relies on device-to-device wireless communication to facilitate real-time data sharing and collaborative decision-making among multiple devices. This significantly improves the adaptability of the edge computing system to the changing environments. However, as the scale of the edge computing system is getting larger, communication among devices is becoming the bottleneck because of the limited bandwidth of wireless communication leads to large data transfer latency. To reduce the amount of device-to-device data transmission and accelerate on-device learning, in this paper, we propose Residual-INR, a fog computing-based communication-efficient on-device learning framework by utilizing implicit neural representation (INR) to compress images/videos into neural network weights. Residual-INR enhances data transfer efficiency by collecting JPEG images from edge devices, compressing them into INR format at the fog node, and redistributing them for on-device learning. By using a smaller INR for full image encoding and a separate object INR for high-quality object region reconstruction through residual encoding, our technique can reduce the encoding redundancy while maintaining the object quality. Residual-INR is a promising solution for edge on-device learning because it reduces data transmission by up to 5.16 x across a network of 10 edge devices. It also facilitates CPU-free accelerated on-device learning, achieving up to 2.9 x speedup without sacrificing accuracy. Our code is available at: https://github.com/sharclab/Residual-INR.
چکیده به فارسی (ترجمه ماشینی)
محاسبات Edge یک الگوی محاسباتی توزیع شده است که داده ها را در یا در نزدیکی منبع تولید داده جمع آوری و پردازش می کند.یادگیری در دستگاه در Edge به ارتباطات بی سیم دستگاه به دستگاه متکی است تا به اشتراک گذاری داده های در زمان واقعی و تصمیم گیری مشترک در بین دستگاه های مختلف تسهیل شود.این به طور قابل توجهی سازگاری سیستم محاسبات لبه را با محیط های در حال تغییر بهبود می بخشد.با این حال ، با افزایش مقیاس سیستم محاسبات Edge ، ارتباط بین دستگاه ها به دلیل پهنای باند محدود ارتباطات بی سیم منجر به تأخیر بزرگ انتقال داده می شود.برای کاهش میزان انتقال داده های دستگاه به دستگاه و تسریع در یادگیری در دستگاه ، در این مقاله ، ما با استفاده از بازنمایی عصبی (INR) ، یک چارچوب یادگیری در زمینه ارتباط با ارتباطات مبتنی بر مه و محاسبات را پیشنهاد می کنیم.برای فشرده سازی تصاویر/فیلم ها به وزن شبکه عصبی.باقیمانده-INR با جمع آوری تصاویر JPEG از دستگاه های Edge ، فشرده سازی آنها به فرمت INR در گره مه و توزیع مجدد آنها برای یادگیری در دستگاه ، باعث افزایش کارایی انتقال داده ها می شود.با استفاده از یک INR کوچکتر برای رمزگذاری تصویر کامل و یک شیء جداگانه INR برای بازسازی منطقه شیء با کیفیت بالا از طریق رمزگذاری باقیمانده ، تکنیک ما می تواند ضمن حفظ کیفیت شی ، افزونگی رمزگذاری را کاهش دهد.باقیمانده-INR یک راه حل امیدوار کننده برای یادگیری در دستگاه است زیرا انتقال داده را تا 5.16 x در شبکه 10 دستگاه لبه کاهش می دهد.همچنین یادگیری شتاب بدون استفاده از CPU را تسهیل می کند و به سرعت 2.9 x x بدون قربانی کردن دقت می رسد.کد ما در: https://github.com/sharclab/residual-inr در دسترس است.📚 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 صدها نکته فارسی (خودمونی) – نسخه PDF — زبان ساده و کاربردی
مشاهده نمونه نسخه نکات ساده -
کتاب صدها نکته رسمی فارسی – نسخه PDF — نگارش استاندارد و علمی
مشاهده نمونه نسخه نکات رسمی -
کتاب صدها پرسش و پاسخ تشریحی – نسخه PDF
— هر سؤال همراه با پاسخ کامل برای درک عمیق مفاهیم
مشاهده نمونه نسخه پرسش و پاسخ -
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
نظرات
هنوز نظری ثبت نشده است.
وارد شوید تا نظر ثبت کنید.