شبکههای عصبی کانولوشنی ویژگیهای مناسب از دادهها استخراج میکنند، اما الیههای کانولوشن باعث افزایش حافظه مورد نیاز، تاخیر و مصرف انرژی میشوند و نیازمند مجموعه آموزش بزرگی برای آموزش شبکه عصبی میباشند. این شبکه میتواند در لبه شبکه، مه و ابر توزیع شود، اما توزیع شبکه عصبی کانولوشنی 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 بخشهای شبکه عصبی بر روی دستگاههای پایانی و لبه شبکه، پیشنهاد میشود. با تقسیم یک شبکه عصبی بزرگ به چندین شبکه عصبی کوچکتر و توزیع آن بر روی دستگاههای پایانی، دقت کاهش نمییابد و مشکل کمبود منابع دستگاههای 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 اصالحکننده استفاده مینماییم تا از کاهش دقت شبکه عصبی توزیع شده جلوگیری شود. این ماژول با استفاده از شبکههای عصبی توزیع شده در دستگاههای پایانی ساخته میشود و دقت را حدود یک درصد نسبت به حالتی که یکی از دستگاههای پایانی خراب گردد، افزایش میدهد.
