Key points are not available for this paper at this time.
يمكن أن يمكّن التعلم الفيدرالي (FL) التدريب التعاوني لنماذج تعلم الآلة على بيانات موزعة بشكل غير مركزي مع الحفاظ على خصوصية البيانات. ومع ذلك، فإن البيانات عبر العملاء غالبًا ما تختلف بشكل كبير بسبب عدم توازن الفئات، وانحراف توزيع الميزات، وعدم توازن حجم العينة، وغيرها من الظواهر. تجعل الاستفادة من المعلومات من هذه المجموعات البيانية غير المتطابقة (غير IID) التحديات كبيرة. لا تستطيع طرق FL المعتمدة على نموذج عالمي واحد التقاط التباينات في بيانات العملاء بشكل فعال وتكون أداؤها ضعيفًا في الإعدادات غير IID. وبناءً على ذلك، فإن نهج التعلم الفيدرالي الشخصي (PFL) الذي يتكيف مع توزيع بيانات كل عميل ولكنه يستفيد من بيانات العملاء الآخرين أمر ضروري ولكنه غير مستكشَف حاليًا. نقترح إطار عمل Bayesian PFL جديد باستخدام تحسين متعدد المستويات للتعامل مع تحديات تغاير البيانات. يستخدم إطار العمل المقترح النموذج العالمي كإجراء مسبق ضمن تقدير Maximum A Posteriori (MAP) لنماذج العملاء الشخصية. يسهل هذا النهج PFL من خلال دمج المعرفة المشتركة من الإجراء المسبق، مما يعزز أداء النموذج المحلي، وقدرته على التعميم، وكفاءة الاتصال. قمنا بتقييم نهج تحسين المستوى المتعدد لدينا بشكل شامل على مجموعات بيانات حقيقية وصناعية، مما يظهر تحسينات كبيرة في دقة النموذج مقارنة بالطرق الحالية مع تقليل الحمل على الاتصال. تساهم هذه الدراسة في PFL من خلال إنشاء أساس نظري قوي للنهج المقترح وتقديم إطار عمل قوي جاهز للاستخدام يتعامل بشكل فعال مع التحديات التي تطرحها البيانات غير IID في FL.
درس زانغ وآخرون (الأربعاء) هذا السؤال.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: