محققان در جدیدترین پژوهش خود، چارچوب نوآورانهای به نام «FedWeave» را معرفی کردهاند که چالش بزرگ «تداخل وظایف» در یادگیری فدرال را هدف قرار داده است.
در مدلهای فعلی، وقتی چندین کلاینت با وظایف مختلف سعی میکنند همزمان آموزش ببینند، تداخلهایی رخ میدهد که کیفیت خروجی را پایین میآورد. FedWeave با استفاده از یک روش هوشمندانه «تجميع نامتقارن»، وظایفِ متخصص (Experts) را از بهینهسازیِ مسیریابها (Routers) جدا کرده است.
این یعنی مدل میتواند در عین حفظ حریم خصوصی کاربران، با دقت بسیار بیشتری دادههای پراکنده را یاد بگیرد و عملکرد بسیار بهینهتری در استنتاجهای sparse داشته باشد. گامی بزرگ برای هوش مصنوعیِ غیرمتمرکز و کارآمدتر! 🧠⚡
منبع: arXiv Machine Learning