稀疏模型

深度分析

E‑FLoPS：結合 L0 約束與熵正規化的稀疏聯邦學習新方法

在資料稀疏且客戶端參與不均的聯邦學習環境下，研究提出以熵正規化的機率門來維持稀疏模型的探索性，結合 L0 约束與硬混凝土分布，實驗顯示相較於 FedAvg 後剪枝或 Fed‑IHT，測試準確度與稀疏度恢復均有顯著提升。此外，方法在不同 GPU 架構與客戶端參與比例下仍保持穩定加速 15%~20% 的運算速度，預示未來在 AI 服務部署與成本優化上具備廣泛應用前景。