ترجمه فارسی مقاله آموزش افزایشی کلاس چند شات با داده های غیرمتمرکز غیر-IID

چکیده

Few-shot class-incremental learning is crucial for developing scalable and adaptive intelligent systems, as it enables models to acquire new classes with minimal annotated data while safeguarding the previously accumulated knowledge. Nonetheless, existing methods deal with continuous data streams in a centralized manner, limiting their applicability in scenarios that prioritize data privacy and security. To this end, this paper introduces federated few-shot class-incremental learning, a decentralized machine learning paradigm tailored to progressively learn new classes from scarce data distributed across multiple clients. In this learning paradigm, clients locally update their models with new classes while preserving data privacy, and then transmit the model updates to a central server where they are aggregated globally. However, this paradigm faces several issues, such as difficulties in few-shot learning, catastrophic forgetting, and data heterogeneity. To address these challenges, we present a synthetic data-driven framework that leverages replay buffer data to maintain existing knowledge and facilitate the acquisition of new knowledge. Within this framework, a noise-aware generative replay module is developed to fine-tune local models with a balance of new and replay data, while generating synthetic data of new classes to further expand the replay buffer for future tasks. Furthermore, a class-specific weighted aggregation strategy is designed to tackle data heterogeneity by adaptively aggregating class-specific parameters based on local models performance on synthetic data. This enables effective global model optimization without direct access to client data. Comprehensive experiments across three widely-used datasets underscore the effectiveness and preeminence of the introduced framework.

چکیده به فارسی (ترجمه ماشینی)

یادگیری کلاسیک چند شات برای توسعه سیستم های هوشمند مقیاس پذیر و تطبیقی ​​بسیار مهم است ، زیرا مدل ها را قادر می سازد کلاس های جدیدی را با حداقل داده های حاشیه نویسی بدست آورند در حالی که از دانش قبلاً انباشته شده استفاده می کنند.با این وجود ، روشهای موجود با جریان داده های مداوم به روشی متمرکز سروکار دارند و کاربرد آنها را در سناریوهایی که در اولویت حفظ حریم خصوصی و امنیت داده ها هستند ، محدود می کنند.برای این منظور ، این مقاله به عنوان یک یادگیری کلاس چند شات فدرال ، یک الگوی یادگیری ماشین غیرمتمرکز متناسب با یادگیری کلاسهای جدید از داده های کمیاب توزیع شده در چندین مشتری ، معرفی می کند.در این الگوی یادگیری ، مشتریان به طور محلی مدلهای خود را با کلاسهای جدید ضمن حفظ حریم خصوصی داده ها به روز می کنند و سپس به روزرسانی های مدل را به یک سرور مرکزی منتقل می کنند که در سطح جهان جمع می شوند.با این حال ، این الگوی با موضوعات مختلفی روبرو است ، مانند مشکلات در یادگیری چند شات ، فراموشی فاجعه بار و ناهمگونی داده ها.برای پرداختن به این چالش ها ، ما یک چارچوب داده مصنوعی محور را ارائه می دهیم که برای حفظ دانش موجود و تسهیل در کسب دانش جدید ، داده های بافر پخش مجدد را به دست می آورد.در این چارچوب ، یک ماژول پخش تولیدی آگاه از سر و صدا برای تنظیم دقیق مدل های محلی با تعادل داده های جدید و پخش مجدد تهیه شده است ، در حالی که داده های مصنوعی کلاس های جدید را تولید می کند تا بیشتر بافر پخش مجدد را برای کارهای آینده گسترش دهد.علاوه بر این ، یک استراتژی تجمع وزنی خاص کلاس برای مقابله با ناهمگونی داده ها با جمع کردن پارامترهای خاص کلاس بر اساس عملکرد مدل های محلی بر روی داده های مصنوعی طراحی شده است.این امر بهینه سازی مدل جهانی مؤثر را بدون دسترسی مستقیم به داده های مشتری امکان پذیر می کند.آزمایش های جامع در سه مجموعه داده مورد استفاده ، اثربخشی و پیش بینی چارچوب معرفی شده را تأکید می کند.