F<sup>2</sup>NAS: Flexible Federated Neural Architecture Search in Green Edge Computing
Notice bibliographique
Résumé
The rapid growth of edge computing calls for fine-tuned deep neural network (DNN) deployment that emphasizes energy-efficient implementation, due to the resource constraints of edge devices. Traditional Federated Learning-based Neural Architecture Search (FL-based NAS) has been instrumental in the complexities of this deployment, particularly in addressing constraints posed by device heterogeneity, limited resources, and privacy preservation. However, it is hindered by issues such as suboptimal aggregation of homogeneous neural blocks, significant knowledge waste in disregarding heterogeneous neural blocks, and excessive communication energy consumption. This paper introduces F<sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">2</sup>NAS in green edge computing, a novel energy-efficient approach that addresses these limitations by ensuring flexible and energy-efficient model design and training for edge devices. Firstly, F<sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">2</sup>NAS introduces an innovative aggregation strategy that enhances the integration of homogeneous neural blocks by using inter-block distances to optimize weight allocation. Further, it employs a unique parameter extraction technique that recaptures valuable insights from previously overlooked heterogeneous neural blocks. Finally, F<sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">2</sup>NAS meticulously calibrates communication energy consumption by balancing loss function and model interaction, setting and refining an upper limit for model communication. Experimental results reveal F<sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">2</sup>NAS enhances model accuracy by 2.8% to 4.7%, simultaneously reducing the energy consumption by nearly 50% through optimizing the communication cost.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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; un appel candidat d’une seule tête enseignante, 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 ».