Key points are not available for this paper at this time.
يمكن أن يمكّن التعلم الفيدرالي (FL) الأجهزة المشاركة المتعددة من المساهمة بشكل تعاوني في نموذج شبكة عصبية عالمية بينما تحتفظ ببيانات التدريب محليًا. على عكس إعداد التدريب المركزي، فإن بيانات التدريب غير المتجانسة وغير المتوازنة (اللامتجانسة الإحصائية) في التعلم الفيدرالي موزعة في الشبكة الفيدرالية، مما سيزيد من الانحرافات بين النماذج المحلية والنموذج العالمي، مما يؤدي إلى تقليل الأداء. في هذه الورقة، نقترح إطار عمل جديد للتعلم الفيدرالي المجمّع (CFL) يسمى FedGroup، حيث نقوم 1) بتجميع تدريب العملاء بناءً على التشابهات بين اتجاهات تحسين العملاء لتحقيق أداء تدريب عالٍ؛ 2) بناء مقياس جديد للمسافة قائم على البيانات لتحسين كفاءة إجراء تجميع العملاء. 3) تنفيذ آلية بدء تشغيل الجهاز الجديد استنادًا إلى النموذج العالمي المساعد لتحقيق قابلية توسع الإطار العملي. يمكن أن يحقق FedGroup تحسينات من خلال تقسيم التحسين المشترك إلى مجموعات من التحسينات الفرعية ويمكن دمجه مع المحسّن FL FedProx. تم تحليل التقارب والتعقيد لإثبات كفاءة إطار العمل المقترح لدينا. كما نقوم بتقييم FedGroup وFedGrouProx (المجمع مع FedProx) على عدة مجموعات بيانات مفتوحة وإجراء مقارنات مع أطر CFL ذات الصلة. تظهر النتائج أن FedGroup يمكن أن يحسن بشكل كبير دقة الاختبار المطلقة بنسبة +14.1% على FEMNIST مقارنةً بـ FedAvg، و+3.4% على Sentiment140 مقارنةً بـ FedProx، و+6.9% على MNIST مقارنةً بـ FeSEM.
دوان وآخرون (الأربعاء) درسوا هذا السؤال.