Kenar zeka için evrişimsel topluluk öğrenmesi

Derin Kenar Zeka, derin öğrenme algoritmalarının kenar bilişimde kullanımını amaçlar. Derin ağ eğitimi, güçlü hesaplama kaynakları gerektirirken kenar cihazlar genelde bu kapasitede değildir. Federe öğrenme gibi dağıtık öğrenme yöntemleri, kenar cihazlardan sınırlı bilgiyi alarak işbirliği ile tahmin başarımını arttırmayı hedefler. Genellikle ağ iletişim seferlerinin fazlalığından dolayı iletişim zamanı artmaktadır. Aynı zamanda iletişimde olası hataların artmasına da yol açmaktadır. Bir diğer dezavantaj ise tüm uç cihazlarda genelde aynı model mimarisinin kullanılmasından kenarda belli bir hesaplama kapasitesinin üstündeki cihazların kullanımına izin verilmesidir. Bu tezde, aynı boyutlu seçilmiş bir tam bağlı katman hariç tamamen farklı model mimarilerini destekleyen ve evrişimsel özelliğe sahip melez bir topluluk öğrenmesi çerçevesi önerilmektedir. Öncelikle, sığ sinir ağları kenar cihazlarda belli bir performansa kadar eğitilir. Kenar cihazlardaki her ağda, belli boyutta bir tam bağlı katman bulunması esastır. Bu katmana ait özellikler, modellerin eğitiminden sonra sunucudaki topluluk modeline giriş olarak aktarılır. Önerilen evrişimsel topluluk modeli sistemin kestirim başarımını arttırmak için eğitilir. Bu yöntem, sistemin öğrenmesinin sadece cihazdan sunucuya tek-yönlü iletişim ile yapılmasını sağlamaktadır. Gerekli öznitelik temsillerinin kenar cihazlardan sunucuya iletilememesi halinde, sunucudaki varyasyonel otomatik kodlayıcılar istatistiksel bir şekilde uygun vektörleri topluluk modeline sunmaktadır. Kapsamlı deneyler, önerilen yöntemin kestirim başarımının güncel yöntemlerden üstünlüğünü göstermektedir. Ayrıca, bazı öğrenme senaryolarında daha az iletişim ve veri aktarımı sağlanmaktadır.