شبکه های عصبی کانولوشنی مقاوم در برابر خطا توزیع شده بر روی لبه شبکه و مه

شبکه های عصبی کانولوشنی ویژگیهای مناسب از دادهها استخراج میکنند، اما لایه های کانولوشن باعث افزایش حافظه مورد نیاز، تاخیر و مصرف انرژیمی شوند و نیازمند مجموعه آموزش بزرگی برای آموزش شبکه عصبی میباشند. این شبکه میتواند در لبه شبکه، مه و ابر توزیع شود، اما توزیع شبکه عصبیکانولوشنی در ابر میتواند خطرات حریم خصوصی و تاخیر را افزایش دهد. در این مقاله، یک ساختار جدید شبکه عصبی کانولوشنی مقاوم در برابر خرابی با توزیعبخش های شبکه عصبی بر روی دستگاه های پایانی و لبه شبکه، پیشنهاد میشود. با تقسیم یک شبکه عصبی بزرگ به چندین شبکه عصبی کوچکتر و توزیع آنبر روی دستگاه های پایانی، دقت کاهش نمییابد و مشکل کمبود منابع دستگاه های لبه شبکه جهت اجرای شبکه عصبی نیز حل میشود. با این حال، در صورتخراب شدن یک دستگاه لبه شبکه، دقت کاهش پیدا میکند. بنابراین، در لبه شبکه و یا در مه، یک ماژول اصلاح کننده استفاده می نماییم تا از کاهش دقت شبکهعصبی توزیع شده جلوگیری شود. این ماژول با استفاده از شبکه های عصبی توزیع شده در دستگاه های پایانی ساخته میشود و دقت را حدود یک درصد نسبت بهحالتی که یکی از دستگاه های پایانی خراب گردد، افزایش می دهد.