ترجمه فارسی مقاله به سوی طبقه بندی تصویر فدرال قوی: مطالعه تجربی استراتژی های انتخاب وزن در تولید

چکیده

In the realm of Federated Learning (FL), particularly within the manufacturing sector, the strategy for selecting client weights for server aggregation is pivotal for model performance. This study investigates the comparative effectiveness of two weight selection strategies: Final Epoch Weight Selection (FEWS) and Optimal Epoch Weight Selection (OEWS). Designed for manufacturing contexts where collaboration typically involves a limited number of partners (two to four clients), our research focuses on federated image classification tasks. We employ various neural network architectures, including EfficientNet, ResNet, and VGG, to assess the impact of these weight selection strategies on model convergence and robustness. Our research aims to determine whether FEWS or OEWS enhances the global FL model’s performance across communication rounds (CRs). Through empirical analysis and rigorous experimentation, we seek to provide valuable insights for optimizing FL implementations in manufacturing, ensuring that collaborative efforts yield the most effective and reliable models with a limited number of participating clients. The findings from this study are expected to refine FL practices significantly in manufacturing, thereby enhancing the efficiency and performance of collaborative machine learning endeavors in this vital sector.

چکیده به فارسی (ترجمه ماشینی)

در حوزه یادگیری فدرال (FL) ، به ویژه در بخش تولید ، استراتژی انتخاب وزن مشتری برای تجمع سرور برای عملکرد مدل مهم است.این مطالعه به بررسی اثربخشی مقایسه ای دو استراتژی انتخاب وزن: انتخاب نهایی وزن دوره (FEAD) و انتخاب وزن بهینه دوره (OEWS).طراحی شده برای زمینه های تولیدی که در آن همکاری به طور معمول شامل تعداد محدودی از شرکا (دو تا چهار مشتری) است ، تحقیقات ما بر کارهای طبقه بندی تصویر فدرال متمرکز است.ما برای ارزیابی تأثیر این استراتژی های انتخاب وزن بر همگرایی و استحکام مدل ، از معماری های مختلف شبکه عصبی ، از جمله کارآمد ، RESNET و VGG استفاده می کنیم.تحقیقات ما با هدف تعیین اینکه آیا FOES یا OEW عملکرد مدل جهانی FL را در دورهای ارتباطی (CRS) افزایش می دهد.از طریق تجزیه و تحلیل تجربی و آزمایش دقیق ، ما به دنبال ارائه بینش های ارزشمندی برای بهینه سازی پیاده سازی های FL در تولید هستیم ، و اطمینان حاصل می کنیم که تلاش های مشترک با تعداد محدودی از مشتری های شرکت کننده ، موثرترین و قابل اعتماد ترین مدل ها را به دست می آورد.انتظار می رود یافته های این مطالعه به طور قابل توجهی در ساخت و سازها را تصحیح کند ، در نتیجه باعث افزایش کارآیی و عملکرد تلاشهای یادگیری ماشین مشترک در این بخش حیاتی می شود.