التعلم الفيدرالي والحساب عبر الهواء: دراسة مقارنة

مع ظهور التعلم الفيدرالي (FL) كبديل يحافظ على الخصوصية للتعلم الآلي المركزي، أصبح ضمان كفاءة الاتصال مكونًا حيويًا بشكل متزايد. تتناول هذه الورقة استراتيجيتين واعدتين: التعلم الفيدرالي المتعامد الذي يستخدم الإرسال المتتابع و التعلم الفيدرالي عبر الهواء، حيث يتم دمج الإشارات في الهواء بشكل متزامن. يتم تقييم أدائهما عبر عدة معلمات رئيسية للكشف عن التبادلات بين الدقة واستخدام الموارد. تم تصميم إطار المحاكاة لتقييم سلوك التقارب تحت تعقيدات مجموعة البيانات المتغيرة وتوزيعات البيانات. بينما يحقق التعلم الفيدرالي المتعامد دقة أعلى واستقرارًا أكبر، فإن التعلم الفيدرالي عبر الهواء يوفر وفورات كبيرة في الاتصال، خاصة في السيناريوهات المقاومة للضوضاء. تسلط هذه النتائج الضوء على التبادلات الهامة بين أداء النموذج وكفاءة الاتصال.