Accelerating Federated Learning for Edge Intelligence Using Conjugated Central Acceleration With Inexact Global Line Search
Notice bibliographique
Résumé
Driven by the increasing demand for real-time, low-latency learning processes and the ever-growing emphasis on data privacy, Federated Learning (FL) enabled edge intelligence emerges as a promising decentralized learning paradigm at the edge of the network, which empowers collaborative model training on edge agents, allowing them to make intelligent decisions locally without relying solely on centralized cloud servers. To enhance the training efficiency of edge agents and alleviate communication burdens, we propose a novel technique called Conjugated Central Acceleration with Inexact Line Search enabled Federated Stochastic Variance Reduced Gradient (CLSFSVRG). Conjugate Central Acceleration leverages conjugate gradient technique to efficiently utilize the training information from multiple edge agents by additional updating efforts in the central server, thereby enhancing the convergence rates of the global model and reduce the local training burden. Inexact Line Search optimizes the step size for model updates, striking a balance between precision and computational efficiency. Simulation results demonstrate that the proposed scheme outperforms the state-of-the-art FL algorithms, achieving superior performance in terms of higher test accuracy and faster convergence speed. Remarkably, our approach reduces communication costs by an impressive 82.4%, while still achieving a test accuracy of 96.5%. By allowing a small portion of edge agents to participate, CLSFSVRG exhibits higher robustness without compromising the test accuracy. Moreover, the fast convergence speed achieved with a limited number of participating edge agents contributes to significant reductions in edge computing cost during the training procedure.
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 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,003 | 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 ».