오디오 처리를 위한 엣지 하드웨어에서 스파이킹 신경망의 연합 학습

스파이킹 신경망은 뉴로모픽 하드웨어에서 에너지 효율적인 계산을 위한 잠재력과 이벤트 기반 처리로 인해 최근에 많은 주목을 받고 있습니다. 스파이킹 신경망은 대체 경량 하강(Surrogate Gradient Descent)과 같은 특수 훈련 절차를 요구하는 스파이크 기반 학습 패러다임을 사용합니다. 동시에 연합 학습은 데이터 개인 정보 보호를 유지하면서 분산 장치에서 협력 모델 훈련을 가능하게 합니다. 그러나 현재까지 ARM 기반 하드웨어와 연합 학습의 적합성을 조사한 연구는 거의 없습니다. 본 연구는 오디오 신호 처리 작업을 위한 널리 사용 가능하고 저비용의 엣지 컴퓨팅 장치인 Raspberry Pi 5에서 ARM 기반 하드웨어에서 연합 스파이킹 신경망 훈련이 가능한지를 주로 조사합니다. 우리는 ARM 프로세서에서 연합 스파이킹 신경망과 연합 컨볼루션 신경망 간의 비교 분석을 수행하고, Dirichlet 기반 분할 및 다양한 연합 평 평균 알고리즘을 사용하여 서로 다른 데이터 분할 전략에 대한 성능을 평가합니다. 연합 학습을 사용하여 본 연구는 분산 훈련 패러다임에서 데이터 이질성과 집계 전략이 모델 수렴, 통신 오버헤드 및 대기 시간에 미치는 영향을 조사합니다. 제공된 결과는 오디오 처리를 위한 분산 뉴로모픽 컴퓨팅에서 FL-SNN 구현의 절충 과 관련된 중요한 통찰력을 제공합니다.