ترجمه فارسی مقاله FedNE: جاسازی همسایه فدرال با کمک جایگزین برای کاهش ابعاد

چکیده

Federated learning (FL) has rapidly evolved as a promising paradigm that enables collaborative model training across distributed participants without exchanging their local data. Despite its broad applications in fields such as computer vision, graph learning, and natural language processing, the development of a data projection model that can be effectively used to visualize data in the context of FL is crucial yet remains heavily under-explored. Neighbor embedding (NE) is an essential technique for visualizing complex high-dimensional data, but collaboratively learning a joint NE model is difficult. The key challenge lies in the objective function, as effective visualization algorithms like NE require computing loss functions among pairs of data. In this paper, we introduce \textsc{FedNE}, a novel approach that integrates the \textsc{FedAvg} framework with the contrastive NE technique, without any requirements of shareable data. To address the lack of inter-client repulsion which is crucial for the alignment in the global embedding space, we develop a surrogate loss function that each client learns and shares with each other. Additionally, we propose a data-mixing strategy to augment the local data, aiming to relax the problems of invisible neighbors and false neighbors constructed by the local $k$NN graphs. We conduct comprehensive experiments on both synthetic and real-world datasets. The results demonstrate that our \textsc{FedNE} can effectively preserve the neighborhood data structures and enhance the alignment in the global embedding space compared to several baseline methods.

چکیده به فارسی (ترجمه ماشینی)

یادگیری فدرال (FL) به سرعت به عنوان یک الگوی امیدوارکننده تکامل یافته است که آموزش مدل مشارکتی را در بین شرکت کنندگان توزیع شده بدون تبادل اطلاعات محلی خود امکان پذیر می کند.علیرغم کاربردهای گسترده آن در زمینه هایی مانند دید رایانه ، یادگیری نمودار و پردازش زبان طبیعی ، توسعه یک مدل طرح ریزی داده که می تواند به طور مؤثر برای تجسم داده ها در زمینه FL مورد استفاده قرار گیرد ، بسیار مهم است اما به شدت مورد استفاده قرار می گیرد.تعبیه همسایه (NE) یک روش اساسی برای تجسم داده های پیچیده با ابعاد بالا است ، اما یادگیری مشترک یک مدل NE مشترک دشوار است.چالش کلیدی در عملکرد هدف نهفته است ، زیرا الگوریتم های تجسم مؤثر مانند NE نیاز به محاسبه توابع از دست دادن در بین جفت داده ها دارند.در این مقاله ، ما \ textsc {fedne} را معرفی می کنیم ، یک رویکرد جدید که چارچوب \ textsc {fedavg} را با تکنیک NE متضاد ، بدون هیچ گونه نیاز به داده های قابل اشتراکی ادغام می کند.برای پرداختن به فقدان دافع بین مشتری که برای تراز در فضای تعبیه جهانی بسیار مهم است ، ما یک عملکرد ضرر جانشین را ایجاد می کنیم که هر مشتری با یکدیگر یاد می گیرد و به اشتراک می گذارد.علاوه بر این ، ما یک استراتژی مخلوط کردن داده را برای تقویت داده های محلی پیشنهاد می کنیم ، با هدف آرام کردن مشکلات همسایگان نامرئی و همسایگان کاذب ساخته شده توسط نمودارهای محلی $ $ nn.ما آزمایش های جامع در هر دو مجموعه داده مصنوعی و واقعی انجام می دهیم.نتایج نشان می دهد که \ textsc {fedne} ما می تواند ساختار داده های محله را به طور مؤثر حفظ کرده و تراز در فضای تعبیه جهانی را در مقایسه با چندین روش پایه تقویت کند.