نظرًا للتغييرات الكبيرة التي أحدثتها النماذج الأساسية في مجال الذكاء الاصطناعي ، فإن تعلم الاتحاد العابر للمراكز يحظى بمزيد من الاهتمام بسبب بياناته النسبية الغنية وقدرته الحسابية القوية. على عكس تعلم الاتحاد العابر للأجهزة ، يتسبب مشكل التباين البيانات لتعلم الاتحاد العابر للمراكز أساسًا في التحولات الكبيرة بين العملاء ، مما يتطلب من الخوارزميات مراعاة التوازن الشامل بين التخصيص الشخصي والتعميم. يهدف هذا البحث إلى حل تحدي الاتحاد العابر للتدريب والتعميم بتعزيز قدرة النموذج العالمي على التعميم في المجالات المختلفة وتحسين أداء تخصيص العميل المحلي. ومن خلال دراسة عدالة توزيع الأداء في النظام الاتحادي ، يتم استكشاف علاقة خطأ التعميم المنشؤ ووزن الانحراف البياني المجتمعي المقترحة ، ويلحظ توجيه عدالة توزيع التعميم الشخصي لتدريب الاتحاد (FFT-GP). يجمع FFT-GP بين إستراتيجية ادراك العدالة في التجميع للحد الأدنى لخطأ تعميم العميل التدريبي وإستراتيجية التعلم الأصلي للحفاظ على توزيع ميزات النموذج المحلي والعالمي ، وبالتالي تحقيق توازن التعميم والتخصيص. تظهر النتائج التجريبية الكبيرة أن FFT-GP يتمتع بأداء متفوق مقارنة بالنماذج الحالية ، مما يظهر إمكانياته في تعزيز أداء تدريب تعلم الاتحاد في مجموعة متنوعة من السيناريوهات العملية.

تعلم الاتحاد العابر للتدريب والتعميم ؛ عدالة توزيع الأداء ؛ انحراف المجال