अभाव को भरना: heterogeneous मोबाइल एज डिवाइसों पर बेहतर संघीय शिक्षण के लिए जनरेटिव एआई का अन्वेषण

मोबाइल एज नेटवर्क पर वितरित आर्टिफिशियल इंटेलिजेंस (AI) मॉडल प्रशिक्षण डेटा और संसाधन विविधता के कारण महत्वपूर्ण चुनौतियों का सामना करता है। पहले से, यह वैश्विक मॉडल की संमिलन दर को बाधित करता है, जबकि बाद वाला उपकरणों की संसाधन उपयोग दक्षता को कम करता है। इस पत्र में, हम स्थानीय डेटा के FIlling the MIssing (FIMI) भाग के विचार का लाभ उठाकर इन चुनौतियों को हल करने के लिए जनरेटिव एआई-सशक्त संघीय शिक्षण का प्रस्ताव करते हैं। विशेष रूप से, FIMI को एक संसाधन-समझदार डेटा संवर्धन विधि के रूप में माना जा सकता है जो डेटा विविधता को प्रभावी ढंग से कम करता है जबकि कुशल FL प्रशिक्षण सुनिश्चित करता है। हम पहले प्रशिक्षण डेटा की मात्रा और शिक्षण प्रदर्शन के बीच संबंध की मात्रा करते हैं। फिर हम आवश्यक शिक्षण प्रदर्शन सीमाओं के अधीन, उपकरण-पक्षीय कुल ऊर्जा खपत को न्यूनतम करने के उद्देश्य से FIMI अनुकूलन समस्या का अध्ययन करते हैं। समाधान निकालने के लिए विभाजन-आधारित विश्लेषण और क्रॉस-एन्ट्रॉपी खोज विधि का लाभ उठाया जाता है, जहां प्रत्येक उपकरण को उपयुक्त AI-निर्मित डेटा और संसाधन उपयोग नीति सौंपी जाती है। प्रयोगात्मक परिणाम दर्शाते हैं कि FIMI लक्ष्य वैश्विक परीक्षण सटीकता प्राप्त करने के लिए उपकरण-पक्षीय ऊर्जा का 50% तक बचा सकता है, मौजूदा विधियों की तुलना में। इसी समय, FIMI गैर-स्वतंत्र और समान वितरण (non-IID) डेटा के तहत संमिलित वैश्विक सटीकता को महत्वपूर्ण रूप से बढ़ा सकता है.