اکسپرس 24
ترجمه فارسی مقاله مقابله با کلاینت‌های پرسروصدا در یادگیری فدرال با اصلاح برچسب سرتاسری

ترجمه فارسی مقاله مقابله با کلاینت‌های پرسروصدا در یادگیری فدرال با اصلاح برچسب سرتاسری

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Tackling Noisy Clients in Federated Learning with End-to-end Label Correction
عنوان مقاله به فارسی مقابله با کلاینت‌های پرسروصدا در یادگیری فدرال با اصلاح برچسب سرتاسری
نویسندگان Xuefeng Jiang, Sheng Sun, Jia Li, Jingjing Xue, Runhan Li, Zhiyuan Wu, Gang Xu, Yuwei Wang, Min Liu
فرمت مقاله انگلیسی PDF
تعداد صفحات 12
دسته بندی موضوعات Machine Learning,Artificial Intelligence,یادگیری ماشین , هوش مصنوعی ,
توضیحات Submitted 8 August, 2024; originally announced August 2024. , Comments: To appear in ACM CIKM'24 full research paper track
توضیحات به فارسی ارسال شده در 8 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد. ، نظرات: برای حضور در ACM CIKM'24 آهنگ کامل مقاله تحقیق

قیمت: 19,000 تومان

سفارش

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، را نیز سفارش می‌دهید.

قیمت: 480,000 تومان

زمان تحویل: 2 تا 3 روز کاری

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Recently, federated learning (FL) has achieved wide successes for diverse privacy-sensitive applications without sacrificing the sensitive private information of clients. However, the data quality of client datasets can not be guaranteed since corresponding annotations of different clients often contain complex label noise of varying degrees, which inevitably causes the performance degradation. Intuitively, the performance degradation is dominated by clients with higher noise rates since their trained models contain more misinformation from data, thus it is necessary to devise an effective optimization scheme to mitigate the negative impacts of these noisy clients. In this work, we propose a two-stage framework FedELC to tackle this complicated label noise issue. The first stage aims to guide the detection of noisy clients with higher label noise, while the second stage aims to correct the labels of noisy clients' data via an end-to-end label correction framework which is achieved by learning possible ground-truth labels of noisy clients' datasets via back propagation. We implement sixteen related methods and evaluate five datasets with three types of complicated label noise scenarios for a comprehensive comparison. Extensive experimental results demonstrate our proposed framework achieves superior performance than its counterparts for different scenarios. Additionally, we effectively improve the data quality of detected noisy clients' local datasets with our label correction framework. The code is available at https://github.com/Sprinter1999/FedELC.

چکیده به فارسی (ترجمه ماشینی)

به تازگی ، یادگیری فدراسیون (FL) بدون قربانی کردن اطلاعات خصوصی حساس مشتری ، برای برنامه های متنوع حساس به حریم خصوصی به موفقیت های گسترده ای رسیده است.با این حال ، کیفیت داده های مجموعه داده های مشتری نمی تواند تضمین شود زیرا حاشیه نویسی مربوط به مشتریان مختلف اغلب حاوی سر و صدای برچسب پیچیده درجات مختلف است ، که به ناچار باعث تخریب عملکرد می شود.به طور شهودی ، تخریب عملکرد توسط مشتریانی که میزان نویز بیشتری دارند حاکم است زیرا مدل های آموزش دیده آنها حاوی اطلاعات نادرست بیشتر از داده ها هستند ، بنابراین لازم است یک طرح بهینه سازی مؤثر برای کاهش تأثیرات منفی این مشتری های پر سر و صدا ابداع شود.در این کار ، ما یک چارچوب دو مرحله ای FEDELC را برای مقابله با این مسئله سر و صدای برچسب پیچیده پیشنهاد می کنیم.مرحله اول با هدف هدایت تشخیص مشتری های پر سر و صدا با سر و صدای برچسب بالاتر ، در حالی که مرحله دوم با هدف تصحیح برچسب های داده های مشتری پر سر و صدا از طریق یک چارچوب تصحیح برچسب پایان تا انتها که با یادگیری برچسب های احتمالی حقیقت زمین حاصل می شوداز مجموعه داده های مشتری پر سر و صدا از طریق انتشار پشت.ما شانزده روش مرتبط را پیاده سازی می کنیم و پنج مجموعه داده را با سه نوع سناریو سر و صدای برچسب پیچیده برای مقایسه جامع ارزیابی می کنیم.نتایج تجربی گسترده نشان می دهد که چارچوب پیشنهادی ما به عملکرد برتر نسبت به همتایان خود برای سناریوهای مختلف دست می یابد.علاوه بر این ، ما به طور موثری کیفیت داده های داده های محلی مشتری های پر سر و صدا را با چارچوب تصحیح برچسب خود بهبود می بخشیم.این کد در https://github.com/sprinter1999/fedelc در دسترس است.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.