日本在线www-日本在线播放一区-日本在线不卡免费视频一区-日本在线不卡视频-成人影院久久久久久影院-成人影院一区二区三区

近日，信息學院楊和林副教授和肖亮教授在智能邊緣計算和無線網(wǎng)絡(luò)研究取得重要進展，與新加坡南洋理工大學Kwok-Yan Lam教授、Dusit Niyato教授和Hao Hu博士，新加坡設(shè)計大學Zehui Xiong教授, 和普林斯頓大學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，以廈門大學為第一署名單位發(fā)表于在國際期刊《Nature Communications》上。

近年來，隨著移動計算和物聯(lián)網(wǎng)（IoT）的快速發(fā)展，傳感器、機器人和智能手機等數(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)動下，邊緣人工智能（AI）這一強大技術(shù)融合了邊緣計算和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，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，通過深度學習為語音識別、圖像和視頻分類以及目標檢測訓練，已實現(xiàn)高精度檢測性能。盡管擁有這些優(yōu)點，邊緣計算仍然面臨以下兩個基本挑戰(zhàn)。首先，深度學習等算法本質(zhì)上依賴于復(fù)雜的學習方法，同時需要足夠豐富的訓練數(shù)據(jù)集。因此，邊緣設(shè)備在有限的局部數(shù)據(jù)集上很難訓練得到可靠的模型。其次，機器學習算法通常需要大量計算和訓練能耗，這阻礙了能量受限的邊緣設(shè)備訓練/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)學習方案（LFNL），是一種基于SNN的分散式大腦啟發(fā)計算方法，使多個邊緣設(shè)備無需中心協(xié)調(diào)器的情況下協(xié)作訓練全局神經(jīng)形態(tài)模型。同時，我們提出了一種領(lǐng)導(dǎo)者選舉方案，選擇一個具有高能力（例如計算和通信能力）的設(shè)備作為領(lǐng)導(dǎo)者來管理模型聚合。該方法可以有效地加快聯(lián)邦學習的收斂速度，抵御模型中毒攻擊。

領(lǐng)導(dǎo)式聯(lián)邦神經(jīng)形態(tài)學習系統(tǒng)示意圖

圖1a顯示了人類社交網(wǎng)絡(luò)的示意圖。每個人通過五個感覺器官觀察外部環(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，最后由人腦處理。每個人建立一個相應(yīng)的知識模型，然后與其他人共享該模型，以創(chuàng)建一個優(yōu)化的知識模型，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)學習系統(tǒng)（圖1b），其中邊緣設(shè)備配備了攝像機（視覺）、麥克風（聽覺）、雷達（物體感應(yīng)）、壓力傳感器（觸摸）和射頻信號檢測器（無線通信）。這些傳感器采用SNN作為神經(jīng)形態(tài)處理器，將檢測到的信息轉(zhuǎn)換為尖峰信號。

LFNL由一個組中的一個領(lǐng)導(dǎo)者和多個追隨者實現(xiàn)（圖1d），學習模型參數(shù)通過分布式網(wǎng)絡(luò)共享和交換，每個設(shè)備在本地數(shù)據(jù)上獨立訓練其模型。受仿人學習功能的啟發(fā)，LFNL通過使用神經(jīng)形態(tài)學習訓練或評估來自聽覺、視覺和雷達系統(tǒng)的尖峰信號來實現(xiàn)對外界環(huán)境的感知（圖1e）。

這項工作不僅推動智能邊緣計算、多模態(tài)網(wǎng)絡(luò)和無線網(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)計算思維方式，這些探索將為多模態(tài)網(wǎng)絡(luò)、虛擬現(xiàn)實以及元宇宙等的應(yīng)用發(fā)展提供一定的參考意義。

來源：廈門大學