面向边缘设备的低秩单次图像检测模型的联邦学习：可扩展的准确率和计算复杂度
计算机视觉与模式识别
2025-04-24 v1 人工智能
摘要
本文引入了一种新颖的联邦学习框架，称为LoRa-FL，用于训练部署在边缘设备上的低秩单次图像检测模型。通过将低秩适应技术融入单次检测架构，该方法显著减少了计算和通信开销，同时保持可扩展的准确率。该框架利用联邦学习协同训练轻量级图像识别模型，使其能够快速适应并在异构资源受限设备上高效部署。在独立同分布(IID)和非IIDsetting下的MNIST和CIFAR10基准数据集上的实验评估表明，我们的方法在实现竞争性检测性能的同时，显著降低了通信带宽和计算复杂度。这使得它成为一种有前景的解决方案，用于在不牺牲模型准确率的前提下，适当减少通信和计算能源开销。
引用
@article{arxiv.2504.16515,
title = {Federated Learning of Low-Rank One-Shot Image Detection Models in Edge Devices with Scalable Accuracy and Compute Complexity},
author = {Abdul Hannaan and Zubair Shah and Aiman Erbad and Amr Mohamed and Ali Safa},
journal= {arXiv preprint arXiv:2504.16515},
year = {2025}
}
备注
accepted for publication at IEEE IWCMC 2025