محققان در تازهترین دستاورد خود، راهحلی برای چالش قدیمی «ناوبری بصری-زبانی» (VLN) ارائه دادهاند. مشکل اصلی در این حوزه، نیاز به دادههای خصوصی کاربران در محیطهای داخلی و تفاوتهای زیاد در سبکهای ناوبری است.
فریمورک جدید pFedNavi با استفاده از «یادگیری فدرال شخصیسازیشده» (Personalized Federated Learning)، اجازه میدهد مدلها بدون به خطر افتادن حریم خصوصی و با درک تفاوتهای محیطی، بسیار دقیقتر عمل کنند. نتایج نشان میدهد که این روش نه تنها تا ۷.۵ درصد نرخ موفقیت ناوبری را افزایش داده، بلکه سرعت همگرایی مدل را نیز ۱.۳۸ برابر سریعتر کرده است. 🤖🌐
منبع: arXiv AI