امید جمشیدی - دانشجوی دکتری هوش مصنوعی دانشگاه بوعلی سینا
مهدی عباسی - عضو هیات علمی گروه برق دانشگاه بوعلی سینا
عباس رمضانی - عضو هیات علمی گروه برق دانشگاه بوعلی سینا

شبکه های عصبی کانولوشنی ویژگی های مناسب از داده ها استخراج میکنند، اما لایه های کانولوشن باعث افزایش حافظه مورد نیاز، تاخیر و مصرف انرژیمیشوند و نیازمند مجموعه آموزش بزرگی برای آموزش شبکه عصبی می باشند. 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 توزیع بخش های شبکه عصبی بر روی دستگاه های پایانی و لبه شبکه، پیشنهاد می شود. با تقسیم یک شبکه عصبی بزرگ به چندین شبکه عصبی کوچکتر و توزیع آن بر 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 صورت خراب 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 شبکه عصبی 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 به حالتی که یکی از دستگاه های پایانی خراب گردد، افزایش میدهد.

ابر، شبکه عصبی، شبکه عصبی کانولوشنی، شبکه عصبی عمیق، محاسبات توزیع شده