ترجمه فارسی مقاله ادغام بدون درز: استراتژی های نمونه برداری در سیستم های یادگیری فدرال

چکیده

Federated Learning (FL) represents a paradigm shift in the field of machine learning, offering an approach for a decentralized training of models across a multitude of devices while maintaining the privacy of local data. However, the dynamic nature of FL systems, characterized by the ongoing incorporation of new clients with potentially diverse data distributions and computational capabilities, poses a significant challenge to the stability and efficiency of these distributed learning networks. The seamless integration of new clients is imperative to sustain and enhance the performance and robustness of FL systems. This paper looks into the complexities of integrating new clients into existing FL systems and explores how data heterogeneity and varying data distribution (not independent and identically distributed) among them can affect model training, system efficiency, scalability and stability. Despite these challenges, the integration of new clients into FL systems presents opportunities to enhance data diversity, improve learning performance, and leverage distributed computational power. In contrast to other fields of application such as the distributed optimization of word predictions on Gboard (where federated learning once originated), there are usually only a few clients in the production environment, which is why information from each new client becomes all the more valuable. This paper outlines strategies for effective client selection strategies and solutions for ensuring system scalability and stability. Using the example of images from optical quality inspection, it offers insights into practical approaches. In conclusion, this paper proposes that addressing the challenges presented by new client integration is crucial to the advancement and efficiency of distributed learning networks, thus paving the way for the adoption of Federated Learning in production environments.

چکیده به فارسی (ترجمه ماشینی)

یادگیری فدرال (FL) نشان دهنده تغییر پارادایم در زمینه یادگیری ماشین است و در عین حال که حریم خصوصی داده های محلی را حفظ می کند ، رویکردی را برای یک آموزش غیر متمرکز از مدل ها در بسیاری از دستگاه ها ارائه می دهد.با این حال ، ماهیت پویا سیستم های FL ، که با ترکیب مداوم مشتری های جدید با توزیع داده های بالقوه متنوع و قابلیت های محاسباتی مشخص می شود ، چالش مهمی را برای ثبات و کارآیی این شبکه های یادگیری توزیع شده ایجاد می کند.ادغام یکپارچه مشتری های جدید برای حفظ و تقویت عملکرد و استحکام سیستم های FL ضروری است.این مقاله به پیچیدگی های ادغام مشتری های جدید در سیستم های FL موجود می پردازد و به بررسی چگونگی ناهمگونی داده ها و توزیع متفاوت داده ها (نه مستقل و توزیع یکسان) در بین آنها می تواند بر آموزش مدل ، راندمان سیستم ، مقیاس پذیری و پایداری تأثیر بگذارد.با وجود این چالش ها ، ادغام مشتریان جدید در سیستم های FL فرصت هایی را برای تقویت تنوع داده ها ، بهبود عملکرد یادگیری و اهرم قدرت محاسباتی توزیع می کند.برخلاف سایر زمینه های کاربردی مانند بهینه سازی توزیع شده از پیش بینی های کلمه بر روی GBOARD (جایی که یادگیری فدرال یک بار منشا) ، معمولاً فقط چند مشتری در محیط تولید وجود دارد ، به همین دلیل اطلاعات از هر مشتری جدید با ارزش تر می شودبشردر این مقاله استراتژی هایی برای استراتژی ها و راه حل های مؤثر در انتخاب مشتری برای اطمینان از مقیاس پذیری و ثبات سیستم ارائه شده است.با استفاده از نمونه تصاویر از بازرسی با کیفیت نوری ، بینش رویکردهای عملی را ارائه می دهد.در نتیجه ، این مقاله پیشنهاد می کند که پرداختن به چالش های ارائه شده توسط ادغام مشتری جدید برای پیشرفت و کارآیی شبکه های یادگیری توزیع شده بسیار مهم است ، بنابراین راه را برای پذیرش یادگیری فدرال در محیط های تولید هموار می کند.