محققان در جدیدترین دستاورد خود، چارچوب نوآورانهای به نام «PRISM-FCP» را معرفی کردهاند که چالشهای امنیتی و بهرهوری در یادگیری فدرال (Federated Learning) را هدف قرار داده است.
این مدل با استفاده از دو استراتژی هوشمندانه:
۱. اشتراکگذاری جزئی مدل (Partial Model Sharing) برای کاهش آسیبپذیری در برابر حملات مسمومسازی دادهها.
۲. فیلترینگ مبتنی بر هیستوگرام برای شناسایی و حذف نویزهای مخرب در مرحله کالیبراسیون.
نتیجه این پژوهش، دستیابی به پیشبینیهای دقیقتر با مصرف پهنای باند کمتر است که میتواند گام بزرگی برای سیستمهای هوش مصنوعی توزیعشده و ایمن باشد.
منبع: arXiv Machine Learning