13810

بررسي چالش‌ها و راهكارهاي يادگيري ماشين بصورت توزيع‌شده

1402

دكتر محسن شريفي

دكتر رضا انتظاري ملكي

يادگيري ماشين نيازمند منابع محاسباتي سرشار جهت يادگيري مدل‌ها با سرعت عمل و دقت بالا است. يكي از انواع روش‌هاي يادگيري ماشين، استفاده از مجموعه‌اي از منابع محاسباتي لبه متفرق در گستره وسيع توزيع‌شده در جغرافيا به صورت فدرالي مي‌باشد. اين رويكرد به دليل قابليت‌هاي منحصر به فردش، به ويژه در حفظ حريم خصوصي داده‌ها و كاهش تأخير در پردازش، توجه زيادي را به خود جلب كرده است. در اين گزارش سمينار، ضمن بررسي گزارش‌هاي انجام گرفته، چند دسته‌بندي در سطوح مختلف يادگيري ماشين، يادگيري ماشين توزيع‌شده، يادگيري فدرال و انتخاب منابع محاسباتي لبه ارائه گرديده است. به‌ويژه، چالش‌هاي عمده يادگيري فدرال، كه شامل انتخاب منابع محاسباتي مناسب براي اجراي مدل‌هاي يادگيري مي‌شود، مورد توجه ويژه قرار گرفته است. نتايج اين بررسي نشان مي‌دهند كه مقوله‌هاي انصاف و ناهمزماني كمتر مورد توجه قرار گرفته‌اند و اين امر مي‌تواند به محدوديت‌هايي در كارايي و قابليت اطمينان مدل‌ها منجر شود. بنابراين، تلفيق راه‌كارهاي پيشنهادي در حوزه انتخاب منابع محاسباتي لبه، به عنوان يك مسير تحقيقاتي مهم براي ادامه پژوهش در اين حوزه مطرح مي‌شود. اين تلفيق مي‌تواند به بهبود عملكرد سيستم‌ها و افزايش دقت و سرعت يادگيري ماشين كمك كند و همچنين به ايجاد يك اكوسيستم يادگيري ماشين فدرال منصفانه و كارآمد منجر شود.

10/2/2024 12:00:00 AM

83921

1403/07/16

Investigating Challenges and Solutions to Distributed Machine Learning