基于有序层冻结的节能高效联邦学习
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。
要点
引用
“FedOLF 在 EMNIST（使用 CNN）、CIFAR-10（使用 AlexNet）、CIFAR-100（使用 ResNet20 和 ResNet44）和 CINIC-10（使用 ResNet20 和 ResNet44）上分别实现了比现有工作高至少 0.3%、6.4%、5.81%、4.4%、6.27% 和 1.29% 的准确率，同时具有更高的能源效率和更低的内存占用。”