محققان در پژوهش جدید خود، فریمورک نوآورانهای به نام PipeCycle را معرفی کردهاند که مشکل مصرف بالای انرژی در یادگیری فدرال (Federated Learning) را حل میکند. این روش با ایجاد گروههای چرخشی و پایپلاینبندی فرآیند آموزش، به دستگاهها اجازه میدهد در حین شارژ شدن باتری، همچنان در فرآیند یادگیری مشارکت کنند. این رویکرد نهتنها دقت مدل را حفظ میکند، بلکه مصرف انرژی را بهشدت کاهش میدهد، مخصوصاً در سناریوهایی که دادهها بهصورت غیریکسان (Non-IID) توزیع شدهاند. این گامی مهم برای توسعه هوش مصنوعی در دستگاههای کمتوان و اینترنت اشیا است! 🔋🤖
منبع: arXiv Machine Learning