ترجمه فارسی مقاله در مورد تأثیر معیارهای شباهت در یادگیری عمیق غیر متمرکز تحت تغییر توزیع

چکیده

Decentralized Learning (DL) enables privacy-preserving collaboration among organizations or users to enhance the performance of local deep learning models. However, model aggregation becomes challenging when client data is heterogeneous, and identifying compatible collaborators without direct data exchange remains a pressing issue. In this paper, we investigate the effectiveness of various similarity metrics in DL for identifying peers for model merging, conducting an empirical analysis across multiple datasets with distribution shifts. Our research provides insights into the performance of these metrics, examining their role in facilitating effective collaboration. By exploring the strengths and limitations of these metrics, we contribute to the development of robust DL methods.

چکیده به فارسی (ترجمه ماشینی)

یادگیری غیرمتمرکز (DL) همکاری حفظ حریم خصوصی را در بین سازمانها یا کاربران امکان می دهد تا عملکرد مدل های یادگیری عمیق محلی را ارتقا دهند.با این حال ، هنگامی که داده های مشتری ناهمگن است ، جمع آوری مدل چالش برانگیز می شود و شناسایی همکاران سازگار بدون تبادل داده مستقیم یک مسئله مهم است.در این مقاله ، ما اثربخشی معیارهای مختلف شباهت در DL را برای شناسایی همسالان برای ادغام مدل بررسی می کنیم ، و یک تجزیه و تحلیل تجربی را در چندین مجموعه داده با تغییر توزیع انجام می دهیم.تحقیقات ما بینش هایی در مورد عملکرد این معیارها ارائه می دهد و نقش آنها را در تسهیل همکاری مؤثر بررسی می کند.با بررسی نقاط قوت و محدودیت این معیارها ، ما به توسعه روشهای قوی DL کمک می کنیم.