Eツリー学習:エッジAIのための新しい分散モデル学習フレームワーク【JST・京大機械翻訳】

Yang Lei; Lu Yanyan; Cao Jiannong; Huang Jiaming; Zhang Mingjin

プレプリント

J-GLOBAL ID：202202215303876848 整理番号：21P0042689

Eツリー学習:エッジAIのための新しい分散モデル学習フレームワーク【JST・京大機械翻訳】

E-Tree Learning: A Novel Decentralized Model Learning Framework for Edge AI

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (5件)： , , , ,
資料名：
発行年： 2020年08月04日プレプリントサーバーでの情報更新日： 2021年01月14日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

伝統的に,AIモデルはエンドデバイスから収集したデータで中心クラウド上で訓練される。これは,高い通信コスト,長い応答時間とプライバシーの懸念をもたらす。最近,Edge Emed AI,すなわちEdge AIは,データソースに近いネットワークエッジでのAIモデル学習と展開をサポートするために提案されている。連合学習を含む既存の研究は,中心サーバがクライアント/研究者からモデルを更新するモデル学習のための集中アーキテクチャを採用する。集中アーキテクチャは,性能ボトルネック,貧弱なスケーラビリティおよび故障の単一点のような欠点を有する。本論文では,エッジデバイスに課された良く設計されたツリー構造を利用する新しい分散モデル学習アプローチ,すなわちEツリーを提案した。ツリー構造,およびツリー上の凝集の位置と順序を,訓練収束とモデル精度を改善するために最適に設計した。特に,デバイス上のデータ分布およびネットワーク距離を考慮することによって,EツリーのためにKMAによって命名された効率的なデバイスクラスタリングアルゴリズムを設計した。評価結果は,Eツリーが,モデル精度と収束に関して,NonIIDデータの下で連合学習とGossip学習のようなベンチマーク手法より著しく優れていることを示した。【JST・京大機械翻訳】

, , , , , ,
, , , , , 【Automatic Indexing@JST】

人工知能

, , , ,

前のページに戻る