شماره ركورد
15510
عنوان
يادگيري فدرال در محاسبات لبه: نوآوريها، كاربردها و چشماندازهاي آينده
سال تحصيل
1403
استاد راهنما
دكتر مرضيه ملكي مجد
چکيده
با افزايش روزافزون حجم دادههاي توليد شده در دستگاههاي لبه شبكه، نياز به روشهاي يادگيري ماشين كه حريم خصوصي كاربران را حفظ كرده و هزينههاي ارتباطي را كاهش دهند، بيش از پيش اهميت يافته است. يادگيري فدرال به ويژه رويكرد سلسلهمراتبي كه از خدمتدهندههاي لبه به عنوان تجميع مياني استفاده ميكنند، امكان آموزش مدلهاي هوشمند را بدون نياز به تجميع دادههاي خام فراهم ميكند. با اين حال، پيادهسازي آن با چالشهاي ذاتي نظير ناهمگني منابع و دادهها ، بار محاسباتي سنگين روي دستگاهها و گلوگاههاي ارتباطي مواجه است.
براي غلبه بر اين موانع، معماريهاي پيشرفتهتري مانند يادگيري فدرال تقسيمشونده معرفي شدهاند كه با تقسيم مدل بين دستگاه و خدمتدهنده، بار محاسباتي را توزيع كرده و كارايي را بهبود ميبخشند. ازآنجاييكه ناهمگني دادهها، تعميمپذيري مدل جهاني را كاهش داده و تحميل يك مدل يكسان به تمام خدمتگيرندهها كارآمد نيست، به همين دليل اين گزارش به تحليل رويكردهاي يادگيري فدرال شخصيسازيشده ميپردازد كه توسط مقالهها و گزارشهاي اخير براي حل اين چالشها پيشنهاد شدند. اين رويكردها، از طريق استراتژيهايي مانند خوشهبندي خدمتگيرندهها بر اساس شباهت دادهها، مدلهاي سفارشي را براي گروههاي خاصي از كاربران ايجاد كرده و اثرات منفي ناهمگني را به حداقل ميرسانند. علاوه بر اين، محققان بهرهگيري از تكنيكهاي تقطير دانش و انتقال لاجيتها بهجاي پارامترهاي سنگين، باهدف كاهش چشمگير هزينههاي ارتباطي به عنوان راهكاري مؤثر شناسايي و تحليل كردهاند. بر اين اساس و با تلفيق راهكارهاي مذكور، ميتوان يك معماري يادگيري فدرال تقسيمشونده سلسلهمراتبي مبتني بر خوشهبندي خدمتگيرنده (مبتني بر شباهت فعالسازيها) را پيشنهاد نمود. در اين ساختار، طي فاز انتشار رو به جلو، لايههاي فعالسازي به صورت توزيعشده بر روي خدمتگيرندهها و خدمتدهندههاي لبه پردازش ميشوند. در فاز انتشار رو به عقب، به منظور بهينهسازي ارتباطات و كاهش سربار محاسباتي، مكانيزم انتقال لاجيت جايگزين تبادل گراديانها ميگردد. بدين ترتيب از طريق محاسبهي اختلاف لاجيتها (بهعنوان سيگنال خطا)، فرآيند يادگيري به شكلي كارآمدتر و با پايداري بيشتر اجرا خواهد شد.
نام دانشجو
عليرضا باقرزاده
تاريخ ارائه
11/5/2025 12:00:00 AM
متن كامل
88790
پديد آورنده
عليرضا باقرزاده
تاريخ ورود اطلاعات
1404/08/18
عنوان به انگليسي
Federated Learning in Edge Computing: Inovations, Applications and Future Prospects
كليدواژه هاي فارسي
يادگيري فدرال , محاسبات لبه , يادگيري فدرال تقسيمشونده , يادگيري فدرالشخصيسازيشده , ناهمگني داده , تقطير دانش
كليدواژه هاي لاتين
Federated Learning , Edge Computing , Split Federated Learning , Personalized Federated learning , Data Heterogeneity , Knowledge Distillation