| 标题 |
 SplitGP: Achieving Both Generalization and Personalization in Federated Learning SplitGP：在联邦学习中同时实现泛化和个性化
相关领域
计算机科学
一般化
推论
个性化
机器学习
客户端
趋同（经济学）
GSM演进的增强数据速率
人工智能
钥匙（锁）
边缘设备
任务（项目管理）
服务器
云计算
计算机网络
计算机安全
万维网
数学分析
数学
管理
经济
经济增长
操作系统
|
| 网址 | |
| DOI | |
| 其它 | 摘要：提供边缘 AI 服务的一个根本挑战是需要一种机器学习 （ML） 模型，该模型可以同时实现个性化（即针对单个客户）和泛化（即针对看不见的数据）属性。联邦学习 （FL） 中的现有技术在这些目标之间遇到了巨大的权衡，并在训练和推理期间对边缘设备提出了巨大的计算要求。在本文中，我们提出了 SplitGP，这是一种新的拆分学习解决方案，可以同时捕获泛化和个性化功能，以便在资源受限的客户端（例如，移动/物联网设备）之间进行高效推理。我们的关键思想是将完整的 ML 模型拆分为客户端和服务器端组件，并为其赋予不同的角色：客户端模型经过训练，具有针对每个客户端的主要任务优化的强大个性化能力，而服务器端模型经过训练，具有强大的泛化能力，可以处理所有客户端的分布式任务。我们分析了 SplitGP 的收敛行为，揭示了所有客户端模型都渐近地接近静止点。此外，我们分析了 SplitGP 中的推理时间，并提供了确定模型拆分比率的边界。实验结果表明，对于不同数量的分布外样本，SplitGP 在推理时间和测试准确性方面大大优于现有基线。 |
| 求助人 | |
| 下载 | 求助已完成，仅限求助人下载。 |
|
温馨提示：该文献已被科研通 学术中心 收录，前往查看
科研通『学术中心』是文献索引库，收集文献的基本信息（如标题、摘要、期刊、作者、被引量等），不提供下载功能。如需下载文献全文，请通过文献求助获取。
|
科研小民工
昏睡的蟠桃
cdercder
nozero
pluto
Cactus
劲秉
back you up
彭于彦祖
iNk
SYLH
子车茗
zho
微笑的严青
Thien
一一
坚强亦丝
kingwill
VDC
小马甲
皖公网安备34019202002308
