در دنیای هوش مصنوعی، «یادگیری فدرال» (Federated Learning) برای حفظ حریم خصوصی بسیار کلیدی است، اما همیشه با چالشی به نام «ناهمگونی» دادهها روبروست. حالا محققان فریمورک جدیدی به نام FedSPM را معرفی کردهاند که میتواند «ناهمگونی دوگانه» (هم در سطح کلاینت و هم در زیرمجموعههای دادهای درون کلاینت) را مدیریت کند.
این روش با استفاده از یک مدل ترکیبی نیمهپارامتریک، سیستم مسیریابی دادهها را به شدت بهینه کرده و دقت مدلها را در سناریوهای واقعی (مثل دادههای پزشکی) افزایش میدهد. این یعنی هوش مصنوعی حالا میتواند با دقت بیشتری تفاوتهای ظریف در دادههای پراکنده را درک کند.
منبع: arXiv AI