ترجمه فارسی مقاله پرداختن به ناهمگونی SKEWED از طریق اصلاح نمونه اولیه فدرال با شخصی سازی

چکیده

Federated learning is an efficient framework designed to facilitate collaborative model training across multiple distributed devices while preserving user data privacy. A significant challenge of federated learning is data-level heterogeneity, i.e., skewed or long-tailed distribution of private data. Although various methods have been proposed to address this challenge, most of them assume that the underlying global data is uniformly distributed across all clients. This paper investigates data-level heterogeneity federated learning with a brief review and redefines a more practical and challenging setting called Skewed Heterogeneous Federated Learning (SHFL). Accordingly, we propose a novel Federated Prototype Rectification with Personalization which consists of two parts: Federated Personalization and Federated Prototype Rectification. The former aims to construct balanced decision boundaries between dominant and minority classes based on private data, while the latter exploits both inter-class discrimination and intra-class consistency to rectify empirical prototypes. Experiments on three popular benchmarks show that the proposed approach outperforms current state-of-the-art methods and achieves balanced performance in both personalization and generalization.

چکیده به فارسی (ترجمه ماشینی)

Federated Learning یک چارچوب کارآمد است که برای تسهیل آموزش مدل مشارکتی در چندین دستگاه توزیع شده در ضمن حفظ حریم خصوصی داده های کاربر طراحی شده است.یک چالش مهم برای یادگیری فدرال ، ناهمگونی در سطح داده ، یعنی توزیع پراکنده یا دم بلند داده های خصوصی است.اگرچه روشهای مختلفی برای رسیدگی به این چالش پیشنهاد شده است ، اما بیشتر آنها فرض می کنند که داده های جهانی اساسی به طور یکنواخت در بین کلیه مشتریان توزیع می شود.در این مقاله به بررسی ناهمگونی فدراسیون ناهمگونی در سطح داده با یک بررسی کوتاه پرداخته و یک محیط عملی تر و چالش برانگیزتر به نام یادگیری فدراسیون ناهمگن Skewed (SHFL) را دوباره تعریف می کند.بر این اساس ، ما تصحیح نمونه اولیه فدراسیون جدید با شخصی سازی را ارائه می دهیم که از دو بخش تشکیل شده است: شخصی سازی فدرال و اصلاح نمونه اولیه فدرال.هدف اولی با هدف ایجاد مرزهای تصمیم گیری متعادل بین کلاسهای غالب و اقلیت بر اساس داده های خصوصی ، در حالی که دومی از تبعیض بین طبقه و سازگاری داخل کلاس برای اصلاح نمونه های اولیه تجربی سوء استفاده می کند.آزمایشات روی سه معیار محبوب نشان می دهد که رویکرد پیشنهادی از روشهای پیشرفته فعلی بهتر عمل می کند و به عملکرد متعادل در شخصی سازی و تعمیم می رسد.