في التعلم الفدرالي، يتعاون عدد من العملاء لتدريب نموذج عالمي دون تبادل البيانات الخام، مما يعالج قضايا عزل البيانات وتسريب خصوصية البيانات. ومع ذلك، غالبًا ما تعاني مخططات التعلم الفدرالي القائمة من ارتفاع عبء الاتصال وعدم موثوقية التجميع على جانب الخادم. لمعالجة هذه القيود، يقترح هذا البحث آلية تعلم فدرالي متسلسل قابلة للتحقق تعتمد على التجميع القائم على مسافة إقليدس، تسمى VDCG-FL. تُستخدم التجميعات لتحسين كفاءة الاتصال، بينما تضمن عملية التحقق دقة النتائج المجمعّة. على عكس الأساليب التقليدية، تقوم VDCG-FL بتجميع العملاء وفقًا لمسافتهم الإقليدية من الخادم، مما يقلل من زمن الاتصال، ويتجنب النقل لمسافات طويلة، ويعزز استقرار تجميع النماذج. علاوة على ذلك، يُستخدم تقاطع لاغرانج للتحقق لضمان صحة التجميع مع تحمل عبء حسابي أقل بكثير من الأساليب التشفيرية التقليدية. تُظهر التجارب الواسعة أن VDCG-FL تحسن استقرار التجميع تحت توزيعات بيانات غير IID بينما تقلل في الوقت نفسه من عبء الاتصال.
درس شيو وإخوانه (الخميس) هذا السؤال.