یادگیری فدرال غیرمتمرکز (DFL) دنیای هوش مصنوعی را متحول کرده، اما همچنان با چالشهایی مثل هزینههای ارتباطی بالا و ناهمگونی دادهها روبروست. حالا محققان الگوریتم جدیدی به نام PaME ارائه کردهاند که با استفاده از «تبادل پیام جزئی»، تنها بخشهای ضروری و پراکنده اطلاعات را بین گرهها جابجا میکند.
✅ مزایای PaME:
🔹 کاهش چشمگیر هزینههای ارتباطی در شبکههای بزرگ
🔹 حفظ حریم خصوصی کاربران در سطح بالا
🔹 افزایش دقت مدل بدون نیاز به فرضیات سختگیرانه
این روش با تمرکز بر بهرهوری در یادگیری، گامی مهم برای توسعه مدلهای هوشمند در شبکههای ناهمگون است.
منبع: arXiv Machine Learning