یکی از مشکلات بزرگ در دنیای یادگیری فدرال (Federated Learning)، عدم توازن کلاسهاست؛ جایی که کلاسهای کمتر دیده شده، عملکرد مدل را به شدت پایین میآورند. حالا محققان با معرفی دو ابزار نوآورانه سعی در حل این چالش دارند:
🔹 FedCGNM: یک بهینهساز جدید که کلاسها را گروهبندی کرده و با نرمالسازی مومنتوم هر گروه، تاثیر گرادیانهای کلاسهای اقلیت را تقویت میکند تا دقت کلی مدل بالا برود.
🔹 FedHOO: یک الگوریتم مبتنی بر بندیت (X-armed-bandit) که به صورت هوشمند و بهینه، هایپرپارامترها را در محیطهای فدرال جستجو میکند.
این تحقیق نشان میدهد که با این روش میتوان حتی روی دادههای پیچیدهای مثل نقصهای تراشههای سختافزاری، نتایج بسیار بهتری نسبت به روشهای سنتی گرفت.
منبع: arXiv Machine Learning
