Key points are not available for this paper at this time.
مع تزايد وفرة البيانات وتنوعها، يزداد إمكانها في تعزيز نماذج التعلم الآلي بشكل كبير. ومع ذلك، تواجه أساليب التعلم المركزي التقليدية، التي تتطلب تجميع البيانات في مكان واحد، تحديات كبيرة. تمنع مخاوف الخصوصية، والتنظيمات الصارمة لحماية البيانات مثل اللائحة العامة لحماية البيانات (GDPR)، والتكاليف العالية لنقل البيانات جدوى مركزية البيانات الحساسة من مصادر متباينة مثل المستشفيات والمؤسسات المالية والأجهزة الشخصية. يعالج التعلم الفدرالي هذه القضايا من خلال تمكين تدريب النماذج التعاونية دون الحاجة إلى مغادرة البيانات الأصلية. تضمن هذه المقاربة اللامركزية خصوصية البيانات، وتقلل من تكاليف النقل، وتسمح للمنظمات باستغلال الذكاء الجماعي للبيانات الموزعة مع الحفاظ على الامتثال للمعايير الأخلاقية والقانونية. تتناول هذه المراجعة التطبيقات الحالية للتعلم الفدرالي وإمكاناته لإعادة تشكيل أنظمة إنترنت الأشياء لتصبح أكثر تعاوناً، وتركز على الخصوصية، ومرونة، بهدف إضاءة وتحفيز أولئك الذين يتنقلون في تقاطع التقدمات في التعلم الآلي وإنترنت الأشياء.
درس لازاروس وآخرون (سبت) هذا السؤال.