基于有序层冻结的节能高效联邦学习

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

分析

本文解决了物联网中资源受限边缘设备上联邦学习（FL）的挑战。 它提出了一种新方法FedOLF，通过以预定义的顺序冻结层来提高效率，从而减少计算和内存需求。 结合张量运算近似（TOA）进一步提高了能源效率并降低了通信成本。 本文的重要性在于它有可能在边缘设备上实现更实用、更具可扩展性的FL部署。
引用 / 来源
查看原文
"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
* 根据版权法第32条进行合法引用。
较旧

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

较新

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

相关分析

Research Paper

SpaceTimePilot：时空控制的生成视频渲染

2026年1月3日 06:10

Research Paper

量子混沌哈密顿量演化下的随机性生成

2026年1月3日 06:10

Research Paper

GaMO：几何感知扩散用于稀疏视角3D重建

2026年1月3日 06:32

来源: ArXiv