Core Concepts
エッジ-クラウド連携を活用することで、エンドデバイス、エッジサーバ、クラウドサーバ間の階層的な知識蒸留を通じて、より大規模なモデルを段階的に学習できる。
Abstract
本論文は、エッジ-クラウド連携(EECC)を活用した連合学習(FL)の新しいフレームワーク「Agglomerative Federated Learning (FedAgg)」を提案している。FedAggでは、エンドデバイス、エッジサーバ、クラウドサーバ間で階層的な知識蒸留を行うことで、クラウド側のモデルサイズを段階的に拡大し、性能向上を実現する。
具体的には以下の特徴がある:
エンドデバイス、エッジサーバ、クラウドサーバ間で「Bridge Sample Based Online Distillation Protocol (BSBODP)」を用いて、モデル構造に依存せずに知識蒸留を行う。
これにより、クラウドサーバ側でより大規模なモデルを学習できるようになり、性能向上を実現する。
実験の結果、提案手法FedAggは既存手法と比べて平均4.53%の精度向上と高い収束速度を示した。
Stats
エンドデバイス、エッジサーバ、クラウドサーバ間の階層的な知識蒸留を通じて、クラウド側のモデルサイズを段階的に拡大できる。
FedAggは既存手法と比べて平均4.53%の精度向上と高い収束速度を示した。
Quotes
"FedAggは、エッジ-クラウド連携を活用することで、エンドデバイス、エッジサーバ、クラウドサーバ間の階層的な知識蒸留を通じて、より大規模なモデルを段階的に学習できる。"
"FedAggは既存手法と比べて平均4.53%の精度向上と高い収束速度を示した。"