هوش مصنوعی
انتخاب گره‌های ارتباطی در یادگیری فدرال غیرمتمرکز با تحلیل طیفی گراف
پیش‌چاپی در arXiv روشی مبتنی بر طیف گراف لاپلاسیَن را برای کاهش نیاز به ارسال به‌روزرسانی مدل به همهٔ همسایه‌ها پیشنهاد می‌کند.
در یادگیری فدرال غیرمتمرکز، هر کارخواه در هر دور ارتباطی معمولاً به‌روزرسانی مدل خود را برای همهٔ همسایه‌هایش می‌فرستد؛ روشی که به‌گفتهٔ نویسندگان، سربار ارتباطی و مصرف انرژی بالایی دارد. این پژوهش از ابزارهای طیفی گراف برای انتخاب سبک‌تر کارخواه‌ها بهره می‌گیرد و ساختار یک گراف ارتباطی ثابت را با بررسی ویژگی‌های طیفی لاپلاسیَن آن تحلیل می‌کند. چکیده به استفاده از تع嵌ین‌های بردار ویژه و روش‌های مبتنی بر گرما یا انتشار اشاره دارد، اما اطلاعات ارائه‌شده جزئیات بیشتری از سازوکار یا نتایج روش در بر ندارد.
این گزارش به کمک هوش مصنوعی تهیه شده است. مطالب براساس منابع درج‌شده تنظیم شده‌اند؛ صحت مستقل همه ادعاها تضمین نمی‌شود.
منبع: arXiv · AI (پیش‌چاپ) — مشاهده منبع اصلی ↗
پیش‌چاپ پژوهشی در arXiv؛ انتشار در این مخزن به معنی داوری همتا نیست
رد این داستان در رادار
خبرهای مرتبط از آرشیو منتشرشده