ترجمه فارسی مقاله پرداختن به ناهمگونی در یادگیری فدرال: چالش ها و راه حل های یک محیط تولید مشترک

چکیده

Federated learning (FL) has emerged as a promising approach to training machine learning models across decentralized data sources while preserving data privacy, particularly in manufacturing and shared production environments. However, the presence of data heterogeneity variations in data distribution, quality, and volume across different or clients and production sites, poses significant challenges to the effectiveness and efficiency of FL. This paper provides a comprehensive overview of heterogeneity in FL within the context of manufacturing, detailing the types and sources of heterogeneity, including non-independent and identically distributed (non-IID) data, unbalanced data, variable data quality, and statistical heterogeneity. We discuss the impact of these types of heterogeneity on model training and review current methodologies for mitigating their adverse effects. These methodologies include personalized and customized models, robust aggregation techniques, and client selection techniques. By synthesizing existing research and proposing new strategies, this paper aims to provide insight for effectively managing data heterogeneity in FL, enhancing model robustness, and ensuring fair and efficient training across diverse environments. Future research directions are also identified, highlighting the need for adaptive and scalable solutions to further improve the FL paradigm in the context of Industry 4.0.

چکیده به فارسی (ترجمه ماشینی)

یادگیری فدرال (FL) به عنوان یک رویکرد امیدوار کننده برای آموزش مدل های یادگیری ماشین در سراسر منابع داده غیر متمرکز ضمن حفظ حریم خصوصی داده ها ، به ویژه در محیط های تولیدی و تولید مشترک ، ظاهر شده است.با این حال ، وجود تغییرات ناهمگونی داده در توزیع داده ها ، کیفیت و حجم در مشتری های مختلف یا مشتری و سایت های تولید ، چالش های مهمی را برای اثربخشی و کارآیی FL ایجاد می کند.در این مقاله یک مرور کلی از ناهمگونی در FL در چارچوب تولید ، جزئیات انواع و منابع ناهمگونی ، از جمله داده های غیر مستقل و یکسان توزیع شده (غیر IID) ، داده های نامتوازن ، کیفیت داده های متغیر و ناهمگونی آماری ارائه شده است.ما در مورد تأثیر این نوع ناهمگونی بر آموزش مدل بحث می کنیم و روشهای فعلی را برای کاهش عوارض جانبی آنها مرور می کنیم.این روشها شامل مدل های شخصی و سفارشی ، تکنیک های جمع آوری قوی و تکنیک های انتخاب مشتری است.این مقاله با سنتز تحقیقات موجود و ارائه استراتژی های جدید ، بینشی برای مدیریت مؤثر ناهمگونی داده ها در FL ، تقویت استحکام مدل و اطمینان از آموزش عادلانه و کارآمد در محیط های متنوع فراهم می کند.مسیرهای تحقیق آینده نیز مشخص شده است ، و این امر نیاز به راه حل های تطبیقی ​​و مقیاس پذیر برای بهبود بیشتر پارادایم FL در زمینه صنعت 4.0 است.