شماره ركورد
15318
عنوان
بررسي و دستهبندي چالشهاي اجراي مدلهاي يادگيري ماشين توزيعشده بر روي زيرساختهاي محاسباتي ناهمگون
سال تحصيل
1403
استاد راهنما
دكتر مهرداد آشتياني
چکيده
يادگيري فدرال بهعنوان يك فناوري نويدبخش براي آموزش مدلهاي توزيعشده با حفظ حريم خصوصي دادهها ظهور كرده و در دو سناريوي اصلي مياندستگاهي و ميانسازماني با الگوهاي افقي، عمودي و انتقالي به كار گرفته ميشود. اين فناوري از نظر معماري ميتواند بهصورت متمركز با يك كارخواه، سلسلهمراتبي با گرههاي لبه، يا بهصورت همگام و ناهمگام پيادهسازي شود. انتخاب كارپذير در اين فرآيند نقش كليدي در بهبود كارآمدي و كارايي آموزش مدل ايفا ميكند، اما چالشهايي مانند ناهمگوني محاسباتي، كيفيت دادهها و شرايط شبكه، انتخاب مجموعه بهينه كارپذيران را دشوار ميسازد. از اينرو، روشهاي انتخاب كارپذير بهعنوان مرحلهاي ضروري براي مقابله با اين ناهمگونيها و جلوگيري از انتخاب كارپذيران نامناسب مطرح شدهاند. امروزه، با بهرهگيري گسترده از هوش مصنوعي در اين روشها، فرآيند انتخاب كارپذير بايد توضيحپذير و قابل تفسير باشد تا اعتمادپذيري سيستم افزايش يابد، سوگيريها كاهش پيدا كند و امكان ارزيابي منصفانه و شفاف تصميمات فراهم گردد.
در اين گزارش ابتدا به شرح و توضيح مقدمهاي از يادگيري فدرال و انتخاب كارپذير ميپردازيم و سپس مفاهيم بنيادي اين حوزه را بررسي خواهيم كرده و به بررسي نظاممند چالشها و راهكارهاي ارائه شده تاكنون از ديدگاه محاسبات با كارآمدي بالا خواهيم پرداخت. در پايان اين مرور همچنين چالشهاي باز و مسيرهاي پيشنهادي را معرفي و يك نتيجهگيري خواهيم داشت. با توجه به چالشهاي موجود، كارهاي آينده در اين حوزه بايد بر توسعه راهبردهاي مقياسپذير، بهينهسازي چندهدفه و استفاده از تكنيكهاي جديد يادگيري ماشين تمركز داشته باشند كه در پيشنهادات نيز ايدهاي جهت بهبود كارآمدي انتخاب كارپذير به صورت بهينهسازي چندهدفه، آگاه از منابع و شرايط پوياي محيط يادگيري فدرال سلسلهمراتبي شخصيسازي شده ارائه خواهد شد.
نام دانشجو
علي احمدي
تاريخ ارائه
11/5/2025 12:00:00 AM
متن كامل
88244
پديد آورنده
علي احمدي
تاريخ ورود اطلاعات
1404/08/18
عنوان به انگليسي
Review and Categorization of Challenges in the Execution of Distributed Machine Learning Models on Heterogeneous Computing Infrastructures
كليدواژه هاي فارسي
يادگيري فدرال , انتخاب كارپذير , ناهمگوني زيرساخت محاسباتي , يادگيري ماشين توزيعشده , انصاف
كليدواژه هاي لاتين
Federated Learning , Client selection , Heterogenous Computing Infrastructure , Distributed Machine Learning , Fairness