ترجمه فارسی مقاله یادگیری فدرال شخصی‌سازی‌شده برای بهبود پیش‌بینی بارش مبتنی بر رادار در مناطق ناهمگن

چکیده

The increasing generation of data in different areas of life, such as the environment, highlights the need to explore new techniques for processing and exploiting data for useful purposes. In this context, artificial intelligence techniques, especially through deep learning models, are key tools to be used on the large amount of data that can be obtained, for example, from weather radars. In many cases, the information collected by these radars is not open, or belongs to different institutions, thus needing to deal with the distributed nature of this data. In this work, the applicability of a personalized federated learning architecture, which has been called adapFL, on distributed weather radar images is addressed. To this end, given a single available radar covering 400 km in diameter, the captured images are divided in such a way that they are disjointly distributed into four different federated clients. The results obtained with adapFL are analyzed in each zone, as well as in a central area covering part of the surface of each of the previously distributed areas. The ultimate goal of this work is to study the generalization capability of this type of learning technique for its extrapolation to use cases in which a representative number of radars is available, whose data can not be centralized due to technical, legal or administrative concerns. The results of this preliminary study indicate that the performance obtained in each zone with the adapFL approach allows improving the results of the federated learning approach, the individual deep learning models and the classical Continuity Tracking Radar Echoes by Correlation approach.

چکیده به فارسی (ترجمه ماشینی)

تولید فزاینده داده ها در زمینه های مختلف زندگی ، مانند محیط ، نیاز به کشف تکنیک های جدید برای پردازش و بهره برداری از داده ها برای اهداف مفید را برجسته می کند.در این زمینه ، تکنیک های هوش مصنوعی ، به ویژه از طریق مدل های یادگیری عمیق ، ابزاری کلیدی هستند که در مقدار زیادی از داده هایی که می توان به دست آورد ، به عنوان مثال ، از رادارهای آب و هوا استفاده می شود.در بسیاری از موارد ، اطلاعات جمع آوری شده توسط این رادارها باز نیست یا متعلق به موسسات مختلف است ، بنابراین نیاز به مقابله با ماهیت توزیع شده این داده ها دارد.در این کار ، کاربرد یک معماری یادگیری فدراسیون شخصی ، که به آن ADAPFL گفته می شود ، در تصاویر رادار آب و هوا توزیع می شود.برای این منظور ، با توجه به یک رادار موجود که 400 کیلومتر قطر آن را پوشش می دهد ، تصاویر ضبط شده به گونه ای تقسیم می شوند که به طور جداگانه در چهار مشتری مختلف فدرال توزیع می شوند.نتایج به دست آمده با ADAPFL در هر منطقه و همچنین در یک منطقه مرکزی که بخشی از سطح هر یک از مناطق قبلاً توزیع شده را پوشش می دهد ، تجزیه و تحلیل می شود.هدف نهایی این کار بررسی توانایی تعمیم این نوع تکنیک یادگیری برای برون یابی آن در استفاده از مواردی است که در آن تعداد نماینده رادارها در دسترس است و داده های آنها به دلیل نگرانی های فنی ، قانونی یا اداری قابل متمرکز نیست.نتایج این مطالعه اولیه نشان می دهد که عملکرد به دست آمده در هر منطقه با رویکرد ADAPFL امکان بهبود نتایج رویکرد یادگیری فدرال ، مدل های یادگیری عمیق فردی و رادار ردیابی تداوم کلاسیک را با رویکرد همبستگی بهبود می بخشد.