Model Pruning for Efficient Over-the-Air Federated Learning in Tactical Networks
Notice bibliographique
Résumé
This paper considers federated learning (FL) in a tactical network (TN), by adopting computationally efficient over-the-air aggregation (OTA) to train a global model at a parameter server (PS). Memory limited edge devices ideally require to store a deep neural network (DNN) model that is compact in size but has high accuracy. This work explores the effects on the accuracy of the model due to the compression technique of pruning, as the model parameters are aggregated OTA. Further, we quantify the effects of Rayleigh fading and additive white Gaussian noise (AWGN) on the accuracy of the DNN model, at different signal-to-noise ratios (SNRs), exploring the size-accuracy-SNR trade-off for both uncompressed and pruned versions of the DNN model. Simulation results, particularly at high SNR, show little difference in accuracy among the uncompressed, 30%, and 50% pruned models, but the sizes of the pruned models are reduced roughly by 0.23x and 0.40x than that of uncompressed model's size, respectively. Pruning the model to 70% results in 0.58x reduction in size but the cost is significant lowering of accuracy, even at high SNR. Depending upon the availability of resources at edge devices, size-accuracy-SNR trade-offs can be exploited as various overlapping trends are obtained in the simulation results.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».