محققان در یک مقاله جدید، چارچوب نوآورانهای به نام FDRMFL را برای «یادگیری فدرال» (Federated Learning) معرفی کردهاند. این مدل بهطور خاص برای شرایطی طراحی شده که دادههای چندوجهی پراکنده هستند و امکان جابهجایی آنها به دلیل مسائل امنیتی وجود ندارد.
چرا این خبر مهم است؟
مدل FDRMFL با ترکیب تکنیکهای پیشرفتهای مثل Contrastive Learning و بهینهسازی اطلاعات متقابل، توانسته دقت مدلها را در شرایط پیچیده (Non-IID) تا حدود ۴۳ درصد نسبت به روشهای سنتی بهبود ببخشد. این یعنی مدلهای هوش مصنوعی در محیطهای غیرمتمرکز، اکنون هوشمندتر و دقیقتر از قبل عمل میکنند! 🧠💡
منبع: arXiv AI