یک طبقه بندی چند بعدی برای معماری های استقرار یادگیری ماشین در سلسله مراتب ابر-مه-لبه-شبنم

به دلیل تنوع معماری ها و نیازمندی های متضاد به یک چارچوب تحلیلی یکپارچه نیاز دارد. در این مقاله یک طبقه بندی چندبعدی نوآورانه برای یادگیری ماشین توزیع شده پر کردن این خلاء ارائه می شود. بر اساس یک تحلیل نظام مند از ادبیات موضوع چهار الگوی استقرار اصلی محاسبات لبه، محاسبات مه، شناسایی و تکنیک های بهینه سازی هر یک در قالب یک چارچوب مقایسه ای مبتنی بر معیارهای کمی و کیفی استقرار مدل محاسبات شبنم بررسی شده است. یافته ها به وضوح بده بستان های کلیدی بین معماری ها را نشان می دهد و مسیر یادگیری فدرال برای توسعه راه حل های هیبریدی آینده از جمله استقرار مدل های بنیادی در لبه هموار می سازد. این بررسی نقشه ای جامع برای پژوهشگران و مهندسان در این حوزه پویا فراهم می کند.

کلیدواژه ها:

استقرار کارآمد ، یادگیری ماشین ، سلسله مراتب ابر ، مه ، لبه ، شبنم