ترجمه فارسی مقاله معماری‌های یادگیری فدرال: ارزیابی عملکرد با کاربرد پیش‌بینی عملکرد محصول

چکیده

Federated learning has become an emerging technology for data analysis for IoT applications. This paper implements centralized and decentralized federated learning frameworks for crop yield prediction based on Long Short-Term Memory Network. For centralized federated learning, multiple clients and one server is considered, where the clients exchange their model updates with the server that works as the aggregator to build the global model. For the decentralized framework, a collaborative network is formed among the devices either using ring topology or using mesh topology. In this network, each device receives model updates from the neighbour devices, and performs aggregation to build the upgraded model. The performance of the centralized and decentralized federated learning frameworks are evaluated in terms of prediction accuracy, precision, recall, F1-Score, and training time. The experimental results present that $geq$97% and $>$97.5% prediction accuracy are achieved using the centralized and decentralized federated learning-based frameworks respectively. The results also show that the using centralized federated learning the response time can be reduced by $sim$75% than the cloud-only framework. Finally, the future research directions of the use of federated learning in crop yield prediction are explored in this paper.

چکیده به فارسی (ترجمه ماشینی)

یادگیری فدرال به یک فناوری نوظهور برای تجزیه و تحلیل داده ها برای برنامه های IoT تبدیل شده است.این مقاله چارچوبهای یادگیری متمرکز و غیرمتمرکز را برای پیش بینی عملکرد محصول بر اساس شبکه حافظه کوتاه مدت بلند مدت پیاده سازی می کند.برای یادگیری فدرال متمرکز ، چندین مشتری و یک سرور در نظر گرفته می شود ، جایی که مشتری ها به روزرسانی های مدل خود را با سرور که به عنوان جمع کننده برای ساخت مدل جهانی کار می کند ، تبادل می کنند.برای چارچوب غیرمتمرکز ، یک شبکه مشترک در بین دستگاه ها یا با استفاده از توپولوژی حلقه یا استفاده از توپولوژی مش تشکیل می شود.در این شبکه ، هر دستگاه به روزرسانی های مدل را از دستگاه های همسایه دریافت می کند و برای ساخت مدل به روز شده ، تجمع را انجام می دهد.عملکرد چارچوبهای یادگیری متمرکز و غیرمتمرکز از نظر دقت پیش بینی ، دقت ، فراخوان ، نمره F1 و زمان آموزش ارزیابی می شود.نتایج تجربی حاکی از آن است که دقت پیش بینی 97 $ $ 97 $ و> 97.5 $ پیش بینی به ترتیب با استفاده از چارچوب های مبتنی بر یادگیری فدرال متمرکز و غیرمتمرکز حاصل می شود.نتایج همچنین نشان می دهد که استفاده از یادگیری متمرکز فدراسیون زمان پاسخ می تواند با 75 $ $ $ نسبت به چارچوب ابری کاهش یابد.سرانجام ، مسیرهای تحقیقاتی آینده استفاده از یادگیری فدرال در پیش بینی عملکرد محصول در این مقاله مورد بررسی قرار گرفته است.