大数据高效计算资源出现后,深入学习在许多人工智能领域取得了重大突破然而,面对日益复杂的任务,数据规模和深学习模型变得越来越大。举例说 贴标签图像数据数 训练图像分类者 数以百万计 甚至数以万计大规模培训数据出现为培训大型模型提供素材基础因此,近年来出现了许多大规模机器学习模型。深学习模型可能有数以万计或甚至数以千计参数,

为提高深学习模型培训效率并缩短培训时间,应用分布式技术执行培训任务同时使用多工作节点培训神经网络模型,以分布高效方式优异性能分布式技术加速深学习技术,可大大提高深学习培训效率并进一步扩大应用范围移动网络使用分布式架构,即所有计算机或设备均分网络工作量移动网络特征使得执行分配任务成为可能,因此可用于分布式深学习

本特题侧重于架构、算法、优化模型和移动计算模型最近的进展,以深入学习任务原创研究和评审文章反映移动计算深入学习的各个方面

潜在题目包括但不限于:

• 移动网络框架深入学习
• 移动计算系统容错
• 算法、方法和技术移动计算系统深入学习
• 移动计算系统并行计算深入学习
• 优化分布式控制
• 分布式基础设施并行深学习训练
• 资源分配和深学习训练调度
• 数据管理深学习培训
• 移动计算系统安全隐私
• FPGA移动深学习
• 边缘云计算分布式深学习
• 雾计算分布式深学习
• 软件平台和基础设施分布式深学习
• 应用实例和分布式深学习成功实例
• 调查移动网络分布式深学习