排序方式： 共有2条查询结果，搜索用时 62 毫秒
1
1.
随着物联网(IoT)的快速发展,人工智能(AI)与边缘计算(EC)的深度融合形成了边缘智能(Edge AI)。但由于IoT设备计算与通信资源有限,并且这些设备通常具有隐私保护的需求,那么在保护隐私的同时,如何加速Edge AI仍然是一个挑战。联邦学习(FL)作为一种新兴的分布式学习范式,在隐私保护和提升模型性能等方面,具有巨大的潜力,但是通信及本地训练效率低。为了解决上述难题,该文提出一种FL加速框架AccFed。首先,根据网络状态的不同,提出一种基于模型分割的端边云协同训练算法,加速FL本地训练;然后,设计一种多轮迭代再聚合的模型聚合算法,加速FL聚合;最后实验结果表明,AccFed在训练精度、收敛速度、训练时间等方面均优于对照组。 相似文献
2.
与传统的网络不同,软件定义网络将网络的控制层与数据层分开,从而提供了网络的集中视图,可以灵活控制网络流量。然而在大规模的软件定义网络中不合理的控制器部署会直接影响到网络的性能。为了找到网络中最优的控制器放置位置和数量,同时最小化时延、均衡负载并优化成本,提出一种基于改进遗传算法的求解算法。在该算法中引入贪婪思想并改进变异算子从而改善其收敛速度和寻优能力。此外,在一些真实的拓扑上将该算法与其他求解算法进行对比,结果表明改进的遗传算法性能更好。 相似文献
1