حتماً میدانید که آموزش مدلهای بزرگ (مثل LLaMA) روی دادههای پراکنده و محلی (Federated Learning) با چالشهای زیادی مثل ناهماهنگی دادهها و افت دقت همراه است. حالا محققان چارچوب جدیدی به نام «TRISHUL» معرفی کردهاند که این مشکل را حل میکند.
ویژگیهای کلیدی TRISHUL:
✅ بهبود پایداری و همگرایی مدلها در شرایطی که کلاینتها دادههای متفاوتی دارند.
✅ استفاده از روش کنترل طیفی (Spectral Control) برای مدیریت هوشمندانه بهروزرسانیها.
✅ بدون افزایش بار محاسباتی سنگین، عملکرد مدلها را در بنچمارکهای مختلف (مثل پردازش زبان و بینایی ماشین) به شدت افزایش میدهد.
این روش قدم مهمی برای کارآمدتر کردن هوش مصنوعی در دستگاههای لبه (Edge Devices) بدون نیاز به اشتراکگذاری دادههای خام کاربران است. دنیای AI روز به روز هوشمندتر و بهینهتر میشود! 🧠✨
منبع: arXiv Machine Learning