Your Location:
Home >
Browse articles >
面向6G算力网络的联邦学习通信效率优化
专题 | Updated:2024-06-03
    • 面向6G算力网络的联邦学习通信效率优化

      Enhanced Publication
    • Communication efficiency optimization of federated learning for computing and network convergence of 6G networks

    • 在6G网络领域,联邦学习的研究取得了重大进展。计算和网络融合(CNC)范式是6G不可或缺的一部分,它提供了一种新的架构,可以提高联邦学习的训练和通信效率。通过利用CNC的功能来指导联邦学习中的设备训练,该研究优化了复杂网络中的通信效率,有效地平衡了设备延迟并提高了资源利用率。
    • 信息与电子工程前沿(英文)   2024年25卷第5期 页码:713-727
    • DOI:10.1631/FITEE.2300122    

      中图分类号: TP393
    • 纸质出版日期:2024-05-0

      收稿日期:2023-02-28

      录用日期:2023-10-17

    Scan QR Code

  • 蔡逸卓, 雷波, 赵倩颖, 等. 面向6G算力网络的联邦学习通信效率优化[J]. 信息与电子工程前沿(英文), 2024,25(5):713-727. DOI: 10.1631/FITEE.2300122.

    YIZHUO CAI, BO LEI, QIANYING ZHAO, et al. Communication efficiency optimization of federated learning for computing and network convergence of 6G networks. [J]. Frontiers of information technology & electronic engineering, 2024, 25(5): 713-727. DOI: 10.1631/FITEE.2300122.

  •  
  •  

0

浏览量

86

Downloads

0

CSCD

>
文章被引用时,请邮件提醒。
Submit
工具集
下载
参考文献导出
分享
收藏
添加至我的专辑

相关文章

Federated learning on non-IID and long-tailed data via dual-decoupling
A survey of energy-efficient strategies for federated learning in mobile edge computing
Federated mutual learning: a collaborative machine learning method for heterogeneous data, models, and objectives
Federated unsupervised representation learning

相关作者

王宝金
胡仁豪
李晋国
李红娇
王朝晖
杨盘隆
刘春生
吴韬

相关机构

上海电力大学计算机科学与技术学院
中国科学技术大学计算机科学与技术学院
香港理工大学电子计算学系
国防科技大学电子对抗学院
浙江大学公共管理学院
0