محققان در تازهترین مقاله خود، روش جدیدی به نام «Fed-Deconfounder» را معرفی کردهاند که یادگیری فدرال (Federated Learning) را در پیشبینیهای مکانی-زمانی متحول میکند. برخلاف روشهای قدیمی که چالشهای محیطهای مختلف را به عنوان مانع میدیدند، این مدل جدید با نگاهی تازه، هر کلاینت را به عنوان یک «محیط علی» مستقل در نظر میگیرد.
با این رویکرد، مدل به جای غلبه بر تفاوتها، از تنوع دادههای کلاینتها برای درک بهتر سیستمهای پیچیده مکانی-زمانی استفاده کرده و به دقت و تعمیمپذیری خیرهکنندهای دست مییابد که در تستها، عملکرد بسیار بهتری نسبت به روشهای مشابه داشته است. این تکنیک نهتنها بهینهتر است، بلکه تفسیرپذیری بالاتری هم دارد. 🌐✨
منبع: arXiv Machine Learning