Key points are not available for this paper at this time.
يمكن أن يُمكن التعلم الفيدرالي (FL) تطوير النماذج من خلال الاستفادة من البيانات الموزعة عبر العديد من أجهزة الحافات دون نقل البيانات المحلية إلى خادم مركزي. ومع ذلك، لا تزال الطرق الحالية في FL تواجه تحديات عند التعامل مع بيانات نادرة ومنحرفة التصنيف عبر الأجهزة، مما يؤدي إلى زيادة تكيف النماذج المحلية وانحرافها، وبالتالي يعيق أداء النموذج العالمي. استجابةً لهذه التحديات، نقترح إطارًا رائدًا يسمى FLea، الذي يتضمن المكونات الرئيسية التالية: 1) مخزن ميزات عالمي يقوم بتخزين أزواج الأهداف من التفاعلات المشتركة من عدة عملاء لدعم التدريب المحلي. هذا التصميم يقلل من انحراف النموذج المحلي الناتج عن غياب بعض الفئات؛ 2) نهج تعزيز الميزات المعتمد على خلط التفاعلات المحلية والعالمية للتدريب المحلي. هذه الاستراتيجية توسع عينات التدريب، مما يقلل من خطر زيادة التكيف المحلي؛ 3) طريقة للتعمية لتقليل العلاقة بين التفاعلات الوسيطة والبيانات المصدر، مما يعزز خصوصية الميزات المشتركة. للتحقق من تفوق FLea، نجري تجارب شاملة باستخدام مجموعة واسعة من النماذج البيانية، لمحاكاة مستويات مختلفة من ندرة البيانات المحلية وانحراف التصنيف. وتظهر النتائج أن FLea تتفوق باستمرار على نظرائها في FL المتقدمة (في 13 من بين 18 إعدادًا تم التجربة عليها، كانت التحسينات أكثر من 5%) بينما تقلل في الوقت نفسه من الثغرات المتعلقة بالخصوصية المرتبطة بالميزات المشتركة. الشيفرة متاحة على https://github.com/XTxiatong/FLea.git.
قام تونغ وآخرون (سات) بدراسة هذا السؤال.