یکی از چالشهای اصلی در یادگیری فدرال (Federated Learning)، تفاوت بین دامنههای داده و کمبود دادههای برچسبدار در سمت کلاینت است. حالا محققان راهکار جدیدی به نام «FedDAF» معرفی کردهاند که این مشکلات را حل میکند!
💡 ایده اصلی FedDAF چیه؟
این مدل با محاسبه «فاصله عملکردی» (Functional Distance) بین مدلها بر اساس گرادیانها، باعث میشود که مدلها بتوانند حتی با دادههای محدود، اطلاعات مفید را از منابع مختلف با دقت بالایی ترکیب کنند.
نتایج آزمایشها نشان میدهد که این روش جدید، عملکرد بسیار بهتری نسبت به متدهای فعلی در سناریوهای واقعی دارد و گام بزرگی برای افزایش بهرهوری مدلهای هوش مصنوعی با حفظ حریم خصوصی است. 🔐
منبع: arXiv Computer Vision