Key points are not available for this paper at this time.
संघीय शिक्षा क्लाइंट चयन प्रतिभागियों के क्लाइंट को निर्धारित करने के लिए महत्वपूर्ण है जबकि मॉडल की सटीकता और संचार दक्षता के बीच संतुलन बनाए रखता है। मौजूदा विधियों में डेटा विषमता, गणनात्मक बोझ, और स्वतंत्र क्लाइंट उपचार को संभालने में सीमाएँ हैं। इन चुनौतियों को संबोधित करने के लिए, हम GPFL का प्रस्ताव करते हैं, जो स्थानीय और वैश्विक अवरोह दिशाओं की तुलना करके क्लाइंट के मूल्य को मापता है। हम प्रदर्शन को बढ़ाने के लिए एक एक्सप्लॉइट-एक्सप्लोर तंत्र भी अपनाते हैं। FEMINST और CIFAR-10 डेटासेट पर प्रयोगात्मक परिणाम दिखाते हैं कि GPFL गैर-IID परिदृश्यों में बेंचमार्क को बेहतर बनाता है, FEMINST परीक्षण सटीकता में 9\% से अधिक सुधार प्राप्त करता है। इसके अतिरिक्त, GPFL पूर्व-चयन और संघीय शिक्षा में पैरामीटर पुनःउपयोग के माध्यम से कम गणना समय प्रदर्शित करता है।
Na et al. (मंगल,) ने इस प्रश्न का अध्ययन किया।