ترجمه فارسی مقاله اولویت بندی روشها: برنامه ریزی با اهمیت انعطاف پذیر در یادگیری چند مدلی فدرال

چکیده

Federated Learning (FL) is a distributed machine learning approach that enables devices to collaboratively train models without sharing their local data, ensuring user privacy and scalability. However, applying FL to real-world data presents challenges, particularly as most existing FL research focuses on unimodal data. Multimodal Federated Learning (MFL) has emerged to address these challenges, leveraging modality-specific encoder models to process diverse datasets. Current MFL methods often uniformly allocate computational frequencies across all modalities, which is inefficient for IoT devices with limited resources. In this paper, we propose FlexMod, a novel approach to enhance computational efficiency in MFL by adaptively allocating training resources for each modality encoder based on their importance and training requirements. We employ prototype learning to assess the quality of modality encoders, use Shapley values to quantify the importance of each modality, and adopt the Deep Deterministic Policy Gradient (DDPG) method from deep reinforcement learning to optimize the allocation of training resources. Our method prioritizes critical modalities, optimizing model performance and resource utilization. Experimental results on three real-world datasets demonstrate that our proposed method significantly improves the performance of MFL models.

چکیده به فارسی (ترجمه ماشینی)

Federated Learning (FL) یک رویکرد یادگیری ماشین توزیع شده است که دستگاه ها را قادر می سازد تا بدون به اشتراک گذاشتن داده های محلی خود ، به طور مشترک مدل ها را آموزش دهند و از حریم شخصی و مقیاس پذیری کاربر اطمینان حاصل کنند.با این حال ، استفاده از FL در داده های دنیای واقعی چالش هایی را نشان می دهد ، به ویژه که بیشتر تحقیقات FL موجود بر داده های غیرمعمول متمرکز است.یادگیری فدرال چند حالته (MFL) برای رسیدگی به این چالش ها ظاهر شده است ، و از مدل های رمزگذار خاص برای پردازش مجموعه داده های متنوع استفاده می کند.روشهای MFL فعلی اغلب به طور یکنواخت فرکانسهای محاسباتی را در تمام روشها اختصاص می دهند ، که برای دستگاه های IoT با منابع محدود ناکارآمد است.در این مقاله ، ما FlexMod را پیشنهاد می کنیم ، یک رویکرد جدید برای تقویت بهره وری محاسباتی در MFL با تخصیص تطبیق منابع آموزشی برای هر رمزگذار روش بر اساس اهمیت و نیازهای آموزشی آنها.ما از یادگیری نمونه اولیه برای ارزیابی کیفیت رمزگذارهای روش استفاده می کنیم ، از مقادیر Shapley برای تعیین کمیت اهمیت هر روش استفاده می کنیم و روش شیب سیاست قطعی عمیق (DDPG) را از یادگیری تقویت عمیق گرفته تا بهینه سازی تخصیص منابع آموزشی اتخاذ می کنیم.روش ما در اولویت های بحرانی ، بهینه سازی عملکرد مدل و استفاده از منابع قرار دارد.نتایج تجربی در سه مجموعه داده در دنیای واقعی نشان می دهد که روش پیشنهادی ما به طور قابل توجهی عملکرد مدل های MFL را بهبود می بخشد.