Abstract
التعلم الاتحادي كإطار جديد لتعلم الآلة، يمكن أن يقوم بتدريب نماذج عميقة من خلال التعاون اللامركزي في العملاء مع احترام القيود الخصوصية. في خوارزمية التعلم الاتحادي الكلاسيكية (FedAvg)، تتم إنشاء النموذج العالمي من خلال مجموعة خطية مرجحة للنماذج المحلية، حيث تكون الأوزان متناسبة مع حجم البيانات المحلية للعميل. ومع ذلك، تعاني هذه الطريقة عند مواجهة توزيعات البيانات الغير متجانسة وغير المعروفة لعملاء التعلم الاتحادي، مما يؤدي في كثير من الأحيان إلى انحراف الهدف العالمي المتوقع. تعمل الطريقة المستندة إلى المجموعات الخطية الصعبة على مواجهة الإعدادات المتنوعة للتعلم الاتحادي، وتوزيع البيانات، والتغييرات الديناميكية الناتجة، مما يؤدي إلى صعوبة التقارب وانخفاض القدرة العامة. يقدم هذا البحث طريقة جديدة تسمى FedMcon استناداً إلى إطار التعلم المسبق. يتم إدخال مجموعة قابلة للتعلم، وتدريبها على مجموعة صغيرة من مجموعات البيانات المرجعية، ثم استخدامها لتجميع النماذج المحلية المتنوعة تلقائياً لإنشاء نموذج عالمي يتوافق أكثر مع الهدف. تشير نتائج التجارب إلى أن هذه الطريقة يمكنها التعامل مع البيانات المتناسقة وغير المستقلة بشكل مثالي، وتحقيق تحسن كبير في كفاءة الاتصال بنسبة 19 مرة في إعداد واحد للتعلم الاتحادي.
Keywords
التعلم الاتحادي; التعلم المسبق; التجميع المتكيف