یادگیری فدرال یکی از راهکارهای کلیدی برای آموزش مدلها بدون نیاز به اشتراکگذاری دادههای حساس کاربران است، اما همیشه با چالشهایی مثل تفاوت دادهها (Non-IID) دستوپنجه نرم کرده است.
محققان در مقاله جدیدی، متد PLayer-FL را معرفی کردهاند که به جای آموزش کل مدل به صورت مشترک، به شکل هوشمندانهای تعیین میکند کدام لایههای مدل برای یادگیری عمومی (Generalizable) مناسباند و کدام بخشها باید فقط در سطح محلی (Local) باقی بمانند. این روش با استفاده از یک معیار حساسیت جدید، نهتنها کارایی مدل را بالا میبرد، بلکه از افت عملکرد در سمت کلاینتها جلوگیری میکند. این دستاورد گام بزرگی برای کاربردیتر کردن هوش مصنوعی در محیطهای غیرمتمرکز است! 🧠✨
منبع: arXiv Machine Learning