ترجمه فارسی مقاله TPFL: یادگیری فدرال شخصی شده توسط Tsetlin با خوشه بندی مبتنی بر اعتماد

چکیده

The world of Machine Learning (ML) has witnessed rapid changes in terms of new models and ways to process users data. The majority of work that has been done is focused on Deep Learning (DL) based approaches. However, with the emergence of new algorithms such as the Tsetlin Machine (TM) algorithm, there is growing interest in exploring alternative approaches that may offer unique advantages in certain domains or applications. One of these domains is Federated Learning (FL), in which users privacy is of utmost importance. Due to its novelty, FL has seen a surge in the incorporation of personalization techniques to enhance model accuracy while maintaining user privacy under personalized conditions. In this work, we propose a novel approach dubbed TPFL: Tsetlin-Personalized Federated Learning, in which models are grouped into clusters based on their confidence towards a specific class. In this way, clustering can benefit from two key advantages. Firstly, clients share only what they are confident about, resulting in the elimination of wrongful weight aggregation among clients whose data for a specific class may have not been enough during the training. This phenomenon is prevalent when the data are non-Independent and Identically Distributed (non-IID). Secondly, by sharing only weights towards a specific class, communication cost is substantially reduced, making TPLF efficient in terms of both accuracy and communication cost. The results of TPFL demonstrated the highest accuracy on three different datasets; namely MNIST, FashionMNIST and FEMNIST.

چکیده به فارسی (ترجمه ماشینی)

World of Machine Learning (ML) از نظر مدل های جدید و راه های پردازش داده های کاربران شاهد تغییرات سریع بوده است.اکثر کارهایی که انجام شده است بر رویکردهای مبتنی بر یادگیری عمیق (DL) متمرکز است.با این حال ، با ظهور الگوریتم های جدید مانند الگوریتم دستگاه Tsetlin (TM) ، علاقه زیادی به کاوش در رویکردهای جایگزین وجود دارد که ممکن است مزایای منحصر به فردی را در حوزه ها یا برنامه های خاص ارائه دهد.یکی از این حوزه ها یادگیری فدراسیون (FL) است که در آن حریم خصوصی کاربران از اهمیت بالایی برخوردار است.با توجه به تازگی ، FL شاهد افزایش تکنیک های شخصی سازی برای تقویت دقت مدل در حالی که حفظ حریم شخصی کاربر در شرایط شخصی است ، افزایش یافته است.در این کار ، ما یک رویکرد جدید با نام TPFL: TSETLINE-PERSORALIED FEDERATED FEDERATED را پیشنهاد می کنیم ، که در آن مدل ها بر اساس اعتماد به نفس آنها نسبت به یک کلاس خاص به خوشه ها گروه بندی می شوند.در این روش ، خوشه بندی می تواند از دو مزیت اصلی بهره مند شود.در مرحله اول ، مشتریان فقط آنچه را که به آنها اطمینان دارند به اشتراک می گذارند ، در نتیجه باعث از بین رفتن تجمع وزن اشتباه در بین مشتریانی می شود که داده های یک کلاس خاص ممکن است در طول آموزش کافی نبوده باشد.این پدیده زمانی شیوع دارد که داده ها غیر مستقل و یکسان توزیع شوند (غیر IID).ثانیا ، با به اشتراک گذاشتن فقط وزنهای نسبت به یک کلاس خاص ، هزینه ارتباطی به طور قابل توجهی کاهش می یابد و TPLF را از نظر دقت و هزینه ارتباطی کارآمد می کند.نتایج TPFL بالاترین دقت را در سه مجموعه داده مختلف نشان داد.یعنی Mnist ، Fashionmnist و Femnist.