順序付きレイヤー凍結によるエネルギーとメモリ効率の高い連合学習

Research Paper#Federated Learning, Edge Computing, Deep Learning🔬 Research|分析: 2026年1月3日 19:06•
公開: 2025年12月29日 04:39
•
1分で読める
•ArXiv

分析

この論文は、IoTにおけるリソース制約のあるエッジデバイスでの連合学習（FL）の課題に対処しています。 事前に定義された順序でレイヤーを凍結することにより、計算とメモリの要件を削減し、効率を向上させる新しいアプローチであるFedOLFを提案しています。 Tensor Operation Approximation（TOA）の組み込みは、エネルギー効率をさらに高め、通信コストを削減します。 この論文の重要性は、エッジデバイスでのより実用的でスケーラブルなFL展開を可能にする可能性にあります。
引用・出典
原文を見る
"FedOLF achieves at least 0.3%, 6.4%, 5.81%, 4.4%, 6.27% and 1.29% higher accuracy than existing works respectively on EMNIST (with CNN), CIFAR-10 (with AlexNet), CIFAR-100 (with ResNet20 and ResNet44), and CINIC-10 (with ResNet20 and ResNet44), along with higher energy efficiency and lower memory footprint."
A
ArXiv2025年12月29日 04:39
* 著作権法第32条に基づく適法な引用です。
古い記事

Not too long do read: Evaluating LLM-generated extreme scientific summaries

新しい記事

ForCM: Forest Cover Mapping from Multispectral Sentinel-2 Image by Integrating Deep Learning with Object-Based Image Analysis

関連分析

Research Paper

SpaceTimePilot：空間と時間の制御による生成ビデオレンダリング

2026年1月3日 06:10

Research Paper

量子カオスハミルトニアン進化におけるランダム性生成

2026年1月3日 06:10

Research Paper

GaMO：幾何学認識拡散を用いた疎視点3D再構成

2026年1月3日 06:32

原文: ArXiv