محققان در پژوهش جدیدی، فریمورک نوآورانه «gspDAG-FL» را برای «یادگیری ماشین فدرال غیرمتمرکز» (DFL) معرفی کردهاند. یکی از چالشهای اصلی در یادگیری فدرال، هماهنگی بدون نیاز به سرور مرکزی و در عین حال حفظ امنیت در برابر نفوذهای احتمالی یا نودهای غیرقابلاعتماد است.
این متد جدید با استفاده از ساختار «DAG» (گراف جهتدار غیرمدور) و روشی موسوم به «رایگیری مجازی»، به امنیت و قطعیت بالایی در تبادل مدلها دست یافته است. در واقع، این روش بدون تحمیل هزینههای سنگین بلاکچین، امکان آموزش امن مدلها را به صورت همتا به همتا (P2P) فراهم میکند.
این پیشرفت گام بزرگی برای کاربردهایی است که حریم خصوصی دادهها در آنها اولویت اول بوده و امکان انتقال متمرکز آنها وجود ندارد. 💡
منبع: arXiv Machine Learning
