Key points are not available for this paper at this time.
يعتبر التعلم الآلي القائم على الانتباه مجالًا حيويًا يعالج خصوصية البيانات في التعلم الآلي، ويتطلب طرقًا فعالة لإزالة البيانات الخاصة أو غير ذات الصلة. في هذا السياق، تظهر تحديات كبيرة، خاصة في الحفاظ على الخصوصية وضمان كفاءة النموذج عند إدارة البيانات القديمة والخاصة وغير ذات الصلة. لا تضر هذه البيانات بدقة النموذج فحسب، بل تفرض أيضًا عبئًا على الكفاءة الحاسوبية في عمليات التعلم وإعادة التعلم. للتخفيف من هذه التحديات، نقدم إطار عمل جديد: التعلم الآلي القائم على الانتباه باستخدام التعلم المعزز الفيدرالي (FRAMU). يتضمن هذا الإطار آليات تعلم تكيفية، وتقنيات الحفاظ على الخصوصية، واستراتيجيات تحسين، مما يجعله حلاً شاملاً للتعامل مع مصادر بيانات متنوعة، سواء كانت أحادية الوضعية أو متعددة الوضعيات، مع الحفاظ على الدقة والخصوصية. تشمل نقاط قوة FRAMU قابليته للتكيف في بيئات البيانات المتغيرة، وقدرته على نسيان البيانات القديمة والخاصة أو غير ذات الصلة، ودعمه لتطور النموذج المستمر دون jeopardizing الخصوصية. كشفت تجاربنا، التي أجريت على مجموعات بيانات أحادية الوضعية ومتعددة الوضعيات، أن FRAMU يتفوق بشكل كبير على النماذج الأساسية. تؤكد التقييمات الإضافية لسلوك التقارب واستراتيجيات التحسين على فائدة الإطار في تطبيقات التعلم الفيدرالي. بشكل عام، يساهم FRAMU في تقدم التعلم الآلي من خلال تقديم حل قوي يحفظ الخصوصية ويحسن أداء النموذج بينما يعالج أيضًا التحديات الرئيسية في بيئات البيانات الديناميكية.
درس شيخ وآخرون (الثلاثاء) هذا السؤال.
Synapse has enriched 4 closely related papers on similar clinical questions. Consider them for comparative context: