محققان در مقاله جدید خود به سراغ چالش بزرگ «دادههای ناقص» در یادگیری فدرال (Federated Learning) رفتهاند. در بسیاری از سیستمهای هوش مصنوعی، نبود برخی دادهها (مثل تصاویر یا متنها) در کلاینتهای مختلف باعث اختلال در یادگیری میشود.
مدل جدید FedTaste با استفاده از «انتقال ساختاری آگاه از توپولوژی»، به جای تلاش برای بازسازی دادههای گمشده، روی روابط معنایی گروهها تمرکز میکند. این روش باعث میشود مدلها بدون نیاز به محاسبات سنگین و با حفظ حریم خصوصی، دانش خود را بین کلاینتها به اشتراک بگذارند و عملکردی بسیار دقیقتر داشته باشند.
این پیشرفت گام بزرگی برای سیستمهای هوش مصنوعی است که در شرایط واقعی و با دادههای نامنظم کار میکنند.
منبع: arXiv Machine Learning