arXiv · ML· Zihao Zheng, Ziyao Wang, Jiawei Yang, Hangyu Cao, Zhihao Mao, Maoliang Li, Jiayu Chen, Hailong Zou, Yun Liang, Xiang Chen·· 6 小时前AI 评分22
FedHQ 提出混合运行时量化以优化联邦学习
FedHQ: Hybrid Runtime Quantization for Federated Learning
AI 导读
FedHQ 提出一种混合量化框架，根据客户端硬件和数据特征动态分配 PTQ 或 QAT 策略。 在三个图像分类数据集实验中，FedHQ 相比 FedAQT 实现最高 2.47 倍的训练加速，且比 FedFQ 准确度高出最多 11.15 个百分点。 该框架通过硬件速度估计和数据分布指标进行全局初始化，并经基于训练的细粒度调整优化，平衡了训练效率与模型精度。
来源：arXiv · ML · arxiv.org