Zobrazeno 1 - 10
of 96
pro vyhledávání: '"centralized learning"'
Publikováno v:
IEEE Access, Vol 12, Pp 130983-130994 (2024)
This paper designs a novel energy-efficient hybrid federated and centralized learning (HFCL) framework for training wireless traffic prediction models in aerial networks over distributed multi-access edge computing (MEC) servers where multiple networ
Externí odkaz:
https://doaj.org/article/38a4a2ea6da84ac88c6d6fd7476c05a3
Publikováno v:
IEEE Access, Vol 12, Pp 108556-108572 (2024)
To alleviate the substantial local training burden on clients in the federated learning (FL) process, this paper proposes a more efficient approach based on hybrid federated and centralized learning (HFCL), leveraging the Mobile Edge Computing (MEC)
Externí odkaz:
https://doaj.org/article/ce62635a944748558dba8c0d8db8b4cd
Publikováno v:
Heliyon, Vol 10, Iss 11, Pp e32071- (2024)
Efficiently handling huge data amounts and enabling processing-intensive applications to run in faraway areas simultaneously is the ultimate objective of 5G networks. Currently, in order to distribute computing tasks, ongoing studies are exploring th
Externí odkaz:
https://doaj.org/article/8ba4fe18b94d43a8830105e094d56307
Publikováno v:
Applied Sciences, Vol 14, Iss 16, p 6876 (2024)
In multi-institutional emergency room settings, the early identification of high-risk patients is crucial for effective severity management. This necessitates the development of advanced models capable of accurately predicting patient severity based
Externí odkaz:
https://doaj.org/article/27084bd07bf74c72b0cb79cc3b1291f0
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Autor:
Peter Atrazhev, Petr Musilek
Publikováno v:
Systems, Vol 11, Iss 4, p 180 (2023)
This paper addresses the issue of choosing an appropriate reward function in multi-agent reinforcement learning. The traditional approach of using joint rewards for team performance is questioned due to a lack of theoretical backing. The authors expl
Externí odkaz:
https://doaj.org/article/8d7694b4bdf947ccbf92fc5c5ad6b413
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.