آیا میدانستید یکی از بزرگترین چالشهای یادگیری فدرال (Federated Learning) روی دستگاههای موبایل و لبه، محدودیت پهنای باند و قدرت پردازشی است؟ حالا محققان فریمورک جدیدی به نام MESH-FL معرفی کردهاند که این مشکل را به شکلی هوشمندانه حل میکند.
این متد با استفاده از «آنتروپی طیفی»، اهمیت لایههای مختلف شبکه عصبی را درک کرده و فشردهسازی مدل را به صورت خودکار و بهینه مدیریت میکند. نتیجه این کار شگفتانگیز است:
✅ تا ۵۶.۸ برابر فشردهسازی بیشتر!
✅ بهبود دقت مدل تا ۲.۰۱ درصد نسبت به مدلهای معمول.
✅ کاهش چشمگیر حجم دادههای ارسالی برای رسیدن به دقت مطلوب.
این یعنی در آیندهای نزدیک، دستگاههای کوچکتر مثل رزبریپای میتوانند مدلهای هوش مصنوعی بسیار سنگینتر و دقیقتری را بدون نیاز به سرورهای قدرتمند اجرا کنند! ⚡️
منبع: arXiv Machine Learning
