DeRelayL: Un Framework di Apprendimento Decentralizzato Sostenibile a Relay
Questo articolo introduce DeRelayL, un nuovo paradigma di addestramento per l'apprendimento decentralizzato sostenibile a relay. Affronta le elevate barriere finanziarie e computazionali dell'addestramento di modelli su larga scala, che attualmente escludono utenti comuni come i creatori di dati mobili. I metodi collaborativi esistenti, in particolare l'apprendimento federato, si concentrano sulla privacy dei dati e sull'aggregazione di gruppo, ma mancano di sostenibilità e proprietà dell'utente. DeRelayL propone un nuovo approccio per consentire agli utenti comuni di addestrare e condividere modelli in modo collaborativo.
Fatti principali
- I modelli di machine learning su larga scala richiedono elevate risorse finanziarie e computazionali.
- Solo i giganti tecnologici e le istituzioni ben finanziate possono permettersi tale addestramento.
- Gli utenti comuni, specialmente quelli mobili, sono esclusi dai benefici a causa delle barriere.
- I metodi attuali per accedere a modelli su larga scala limitano la proprietà dell'utente o mancano di sostenibilità.
- C'è bisogno di un approccio collaborativo all'addestramento dei modelli per utenti comuni.
- I paradigmi collaborativi esistenti come l'apprendimento federato si concentrano sulla privacy dei dati e sull'aggregazione di modelli basata su gruppi.
- DeRelayL è proposto come un nuovo paradigma di addestramento per affrontare questi problemi.
- L'articolo è pubblicato su arXiv con ID 2605.02935.
Entità
Istituzioni
- arXiv