毛片网站在线观看-毛片网站在线-毛片网站有哪些-毛片网站视频-女生脱衣服app-女色综合

近日，信息學(xué)院楊和林副教授和肖亮教授在智能邊緣計(jì)算和無(wú)線網(wǎng)絡(luò)研究取得重要進(jìn)展，與新加坡南洋理工大學(xué)Kwok-Yan Lam教授、Dusit Niyato教授和Hao Hu博士，新加坡設(shè)計(jì)大學(xué)Zehui Xiong教授, 和普林斯頓大學(xué)H. Vincent Poor教授合作，共同完成的科研成果，Lead federated neuromorphic learning for wireless edge artificial intelligence，以廈門大學(xué)為第一署名單位發(fā)表于在國(guó)際期刊《Nature Communications》上。

近年來(lái)，隨著移動(dòng)計(jì)算和物聯(lián)網(wǎng)（IoT）的快速發(fā)展，傳感器、機(jī)器人和智能手機(jī)等數(shù)十億設(shè)備連接在一起，產(chǎn)生了大量數(shù)據(jù)。在這驅(qū)動(dòng)下，邊緣人工智能（AI）這一強(qiáng)大技術(shù)融合了邊緣計(jì)算和AI，使邊緣網(wǎng)絡(luò)的設(shè)備能夠本地分析和處理數(shù)據(jù)，無(wú)需將收集的數(shù)據(jù)傳輸?shù)街行姆?wù)器。此技術(shù)不僅有助于數(shù)據(jù)隱私保護(hù)，還可以減少數(shù)據(jù)流量和網(wǎng)絡(luò)延遲。此外，在邊緣網(wǎng)絡(luò)中，通過(guò)深度學(xué)習(xí)為語(yǔ)音識(shí)別、圖像和視頻分類以及目標(biāo)檢測(cè)訓(xùn)練，已實(shí)現(xiàn)高精度檢測(cè)性能。盡管擁有這些優(yōu)點(diǎn)，邊緣計(jì)算仍然面臨以下兩個(gè)基本挑戰(zhàn)。首先，深度學(xué)習(xí)等算法本質(zhì)上依賴于復(fù)雜的學(xué)習(xí)方法，同時(shí)需要足夠豐富的訓(xùn)練數(shù)據(jù)集。因此，邊緣設(shè)備在有限的局部數(shù)據(jù)集上很難訓(xùn)練得到可靠的模型。其次，機(jī)器學(xué)習(xí)算法通常需要大量計(jì)算和訓(xùn)練能耗，這阻礙了能量受限的邊緣設(shè)備訓(xùn)練/分析數(shù)據(jù)。

本文提出了領(lǐng)導(dǎo)式聯(lián)邦神經(jīng)形態(tài)學(xué)習(xí)方案（LFNL），是一種基于SNN的分散式大腦啟發(fā)計(jì)算方法，使多個(gè)邊緣設(shè)備無(wú)需中心協(xié)調(diào)器的情況下協(xié)作訓(xùn)練全局神經(jīng)形態(tài)模型。同時(shí)，我們提出了一種領(lǐng)導(dǎo)者選舉方案，選擇一個(gè)具有高能力（例如計(jì)算和通信能力）的設(shè)備作為領(lǐng)導(dǎo)者來(lái)管理模型聚合。該方法可以有效地加快聯(lián)邦學(xué)習(xí)的收斂速度，抵御模型中毒攻擊。

領(lǐng)導(dǎo)式聯(lián)邦神經(jīng)形態(tài)學(xué)習(xí)系統(tǒng)示意圖

圖1a顯示了人類社交網(wǎng)絡(luò)的示意圖。每個(gè)人通過(guò)五個(gè)感覺(jué)器官觀察外部環(huán)境的模擬刺激，然后使用神經(jīng)元將刺激轉(zhuǎn)化為尖峰信號(hào)，最后由人腦處理。每個(gè)人建立一個(gè)相應(yīng)的知識(shí)模型，然后與其他人共享該模型，以創(chuàng)建一個(gè)優(yōu)化的知識(shí)模型，以便更好地感知外界環(huán)境。受此啟發(fā)，邊緣人工智能引入了聯(lián)邦神經(jīng)形態(tài)學(xué)習(xí)系統(tǒng)（圖1b），其中邊緣設(shè)備配備了攝像機(jī)（視覺(jué)）、麥克風(fēng)（聽覺(jué)）、雷達(dá)（物體感應(yīng)）、壓力傳感器（觸摸）和射頻信號(hào)檢測(cè)器（無(wú)線通信）。這些傳感器采用SNN作為神經(jīng)形態(tài)處理器，將檢測(cè)到的信息轉(zhuǎn)換為尖峰信號(hào)。

LFNL由一個(gè)組中的一個(gè)領(lǐng)導(dǎo)者和多個(gè)追隨者實(shí)現(xiàn)（圖1d），學(xué)習(xí)模型參數(shù)通過(guò)分布式網(wǎng)絡(luò)共享和交換，每個(gè)設(shè)備在本地?cái)?shù)據(jù)上獨(dú)立訓(xùn)練其模型。受仿人學(xué)習(xí)功能的啟發(fā)，LFNL通過(guò)使用神經(jīng)形態(tài)學(xué)習(xí)訓(xùn)練或評(píng)估來(lái)自聽覺(jué)、視覺(jué)和雷達(dá)系統(tǒng)的尖峰信號(hào)來(lái)實(shí)現(xiàn)對(duì)外界環(huán)境的感知（圖1e）。

這項(xiàng)工作不僅推動(dòng)智能邊緣計(jì)算、多模態(tài)網(wǎng)絡(luò)和無(wú)線網(wǎng)絡(luò)領(lǐng)域突破性發(fā)展的新策略，而且提供了一種技術(shù)和應(yīng)用上可行的類腦神經(jīng)計(jì)算思維方式，這些探索將為多模態(tài)網(wǎng)絡(luò)、虛擬現(xiàn)實(shí)以及元宇宙等的應(yīng)用發(fā)展提供一定的參考意義。

來(lái)源：廈門大學(xué)