Key points are not available for this paper at this time.
يقدم التعلم الفيدرالي نظامًا مشجعًا لتدريب نماذج تعلم الآلة بشكل جماعي على الأجهزة الموزعة مع الحفاظ على خصوصية البيانات. ومع ذلك، تتطلب صعوبات الموارد الحسابية المحدودة وعرض النطاق الترددي للاتصال تمثيلات فعالة للنموذج. في هذه الدراسة، نستكشف كيف يمكن لدمج طرق التكميم مثل التكميم بعد التدريب (PTQ)، التدريب المدرك للتكميم (QAT)، والتكميم لكل طبقة في سير عمل التعلم الفيدرالي تجاوز هذه التحديات. يسرّع PTQ من الاستدلال عن طريق تقليل حجم النموذج، بينما يحسّن QAT من مرونة النموذج تجاه أخطاء التكميم. يقدم التكميم لكل طبقة طريقة مرنة للحفاظ على توازن بين الدقة والكفاءة. من خلال إجراء تحليل شامل، نقيم التوازن بين دقة النموذج والكفاءة الحسابية لنهج التكميم المختلفة في إعدادات التعلم الفيدرالي المختلفة. بالإضافة إلى ذلك، نستكشف تأثيرات التكميم على الأمن والخصوصية في التعلم الفيدرالي، محللين الضعف المحتمل وطرق التخفيف. من خلال التعامل الدقيق مع هذه التنازلات ومعالجة قضايا الأمن، نظهر أن التكميم يمكن أن يعزز فعالية وإمكانية أنظمة التعلم الفيدرالي، مما يؤدي إلى تعلم آلي موزع أكثر مرونة وكفاءة.
درس برافير دوبي (الجمعة) هذا السؤال.