نظرًا للتغييرات الكبيرة التي أحدثها النموذج الأساسي في مجال الذكاء الاصطناعي، يتزايد اهتمام الناس بتعلم الاتحادي العابر للمراكز بسبب بياناته النسبي الغنية وقوته الحسابية القوية. على عكس تعلم الاتحادي عبر الأجهزة، فإن مشكلة التباين البيانات في تعلم الاتحادي العابر للمراكز تنجم بشكل رئيسي عن كمية البيانات الكبيرة بين العملاء وانحراف التوزيع، وهذا يتطلب من الخوارزمية أن تأخذ في الاعتبار التوازن بين الشخصية والعموم. يهدف هذا البحث إلى حل مشكلة تعلم الاتحادي العابر للمراكز التي تتجلى في إبراز قدرة التعميم عبر المجالات للنموذج العالمي وتحسين أداء الشخصية للعميل التدريبي المحلي. من خلال دراسة عدالة توزيع الأداء في النظام الاتحادي، تم بحث العلاقة بين خطأ التعميم وأوزان التجميع في الأبحاث السابقة، وتم تقديم طريقة توجيه عدالة توازن تعلم الاتحادي (FFT-GP). تجمع FFT-GP بين استراتيجية واعية للعدالة في التجميع لتقليل انحراف خطأ التعميم بين عملاء التدريب واستراتيجية للتعلم الشامل للحفاظ على توزيع ميزات النموذج العالمي، وبالتالي تحقيق التوازن بين التعميم والشخصية. تشير نتائج التجارب الكبيرة إلى أن FFT-GP لديها أداء متميز مقارنة بالنماذج الحالية، مما يظهر إمكانيتها في تعزيز أداء تدريب تعلم الاتحاد في مجموعة متنوعة من السيناريوهات العملية.

Generalized and personalized federated learning;Performance distribution fairness;Domain shift