Communication-Efficient Training Workload Balancing for Decentralized Multi-Agent Learning

Decentralized Multi-agent Learning (DML) enables collaborative model training while preserving data privacy. How-ever, inherent heterogeneity in agents' resources (computation, communication, and task size) may lead to substantial variations in training time. This heterogeneity creates a bottle...

Celý popis

Podrobná bibliografie

Vydáno v:	Proceedings of the International Conference on Distributed Computing Systems s. 680 - 691
Hlavní autoři:	Sajjadi Mohammadabadi, Seyed Mahmoud, Yang, Lei, Yan, Feng, Zhang, Junshan
Médium:	Konferenční příspěvek
Jazyk:	angličtina
Vydáno:	IEEE 23.07.2024
Témata:	Accuracy communication-efficient training Computational modeling Data models decentralized multi-agent learning edge computing Fasteners federated learning heterogeneous agents Integer programming Time measurement Training workload balancing
ISSN:	2575-8411
On-line přístup:	Získat plný text
Tagy:	Přidat tag Žádné tagy, Buďte první, kdo vytvoří štítek k tomuto záznamu!