Deep Compression for Efficient and Accelerated Over-the-Air Federated Learning
Notice bibliographique
Résumé
Over-the-air federated learning (OTA-FL) is a distributed machine learning technique where multiple devices collaboratively train a shared model without sharing their raw data with a central server. The devices exchange model updates concurrently over-the-air and they are aggregated without the need for dedicated wireless resources for each device. A major challenge in OTA-FL is that edge devices are limited in their computation, energy, and communication resources. To address this, we investigate how deep neural network compression techniques can be applied in an OTA-FL system. We propose a compression pipeline comprised of pruning and quantization-aware training that significantly reduces both the computation and communication requirements while maintaining an on-par accuracy to the uncompressed models. We thoroughly investigate the reduction in model size, accuracy, and convergence when pruning and quantization-aware training are applied individually and collectively at multiple pruning and quantization levels. Detailed experiments are conducted on two-different deep learning models and two-different datasets, and under varying signal-to-noise ratios (SNRs) and numbers of clients. We then thoroughly present and discuss the resulting trade-offs and findings. Our results demonstrate that deep compression is very effective in an OTA-FL system and negligible losses in accuracy are possible while maintaining up to 80 percent reductions in model size.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,007 | 0,009 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».