محققان به روش جدیدی به نام FLITE دست پیدا کردهاند که مشکل بزرگ کندی ارتباطات در یادگیری فدرال را حل میکند. در روشهای سنتی، حجم بالای دادههای ارسالی بین کلاینتها و سرور، یک گلوگاه جدی ایجاد میکرد.
ویژگیهای کلیدی این دستاورد:
🔹 کاهش ۸۷۱۸ برابری حجم دادههای ارسالی (تنها ۵ کیلوبایت برای هر کلاینت!)
🔹 حفظ دقت مدل در حد روشهای سنگین قدیمی (اختلاف کمتر از ۰.۵ درصد)
🔹 بهینهسازی فوقالعاده برای آموزش در شرایط غیرمتمرکز (non-IID)
این نوآوری راه را برای آموزش مدلهای هوش مصنوعی قدرتمند روی دستگاههای ضعیفتر با کمترین مصرف پهنای باند باز میکند. آینده یادگیری توزیعشده با این متد بسیار سریعتر و در دسترستر خواهد بود! ⚡
منبع: arXiv AI