环拓扑梯度管理算法

通信失效仍可高速训练

一种基于环的分布式机器学习梯度管理算法，可在设备或连接故障时，以可接受的训练时间内恢复智能交通系统的多模态认知计算功能。

Hongjian, Shi · Wang, Hao · 马汝辉 · Hua, Yang · 松涛 · 高洪皓 · Guan, Haibing

ACM Transactions on Multimedia Computing, Communications and Applications 2023

技术优势

容错能力更强

RSGCM 不依赖特定物理连接矩阵，因此在设备或连接故障时，仍能在可接受时间内恢复系统功能，提高了智能交通系统的鲁棒性。

通用性更广

RSGCM 能为各种连接矩阵提供通信调度方案，而现有方法通常只适用于特定物理连接矩阵；这使得它能应对更多样的智能交通系统故障场景。

应用场景

• 智能交通系统：在设备故障时保持多模态认知计算功能，保障交通数据分析和模拟不中断。
• 多模态认知计算：为 MCC 任务提供鲁棒的分布式训练通信调度，即使设备故障也能在可接受时间内完成梯度聚合。
• 分布式机器学习：用基于环的梯度管理算法替代依赖特定连接矩阵的调度，提升 DML 训练对故障的鲁棒性。
• 车联网通信：在车联网设备连接不稳定的环境下，保障分布式学习任务持续进行。