اکسپرس 24
ترجمه فارسی مقاله یادگیری فدرال شخصی‌سازی‌شده روی داده‌های ناهمگن و دنباله‌دار از طریق یادگیری مشارکتی تخصصی

ترجمه فارسی مقاله یادگیری فدرال شخصی‌سازی‌شده روی داده‌های ناهمگن و دنباله‌دار از طریق یادگیری مشارکتی تخصصی

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 Personalized Federated Learning on Heterogeneous and Long-Tailed Data via Expert Collaborative Learning
عنوان مقاله به فارسی یادگیری فدرال شخصی‌سازی‌شده روی داده‌های ناهمگن و دنباله‌دار از طریق یادگیری مشارکتی تخصصی
نویسندگان Fengling Lv, Xinyi Shang, Yang Zhou, Yiqun Zhang, Mengke Li, Yang Lu
فرمت مقاله انگلیسی PDF
تعداد صفحات 15
دسته بندی موضوعات Machine Learning,یادگیری ماشین ,
توضیحات Submitted 4 August, 2024; originally announced August 2024.
توضیحات به فارسی ارسال شده در 4 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد.

قیمت: 19,000 تومان

دانلود مقاله اصل انگلیسی + خلاصه دو صفحه ای مقاله + پادکست صوتی فارسی خلاصه مقاله

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، یک خلاصه دو صفحه‌ای فارسی و پادکست صوتی فارسی خلاصه مقاله را نیز دریافت خواهید کرد.

قیمت: 99,000 تومان

سفارش + خلاصه دو صفحه ای مقاله + پادکست صوتی فارسی خلاصه مقاله

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی و ترجمه کامل آن، یک خلاصه دو صفحه‌ای فارسی و پادکست صوتی فارسی خلاصه مقاله را نیز دریافت خواهید کرد.

قیمت: 600,000 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

Personalized Federated Learning (PFL) aims to acquire customized models for each client without disclosing raw data by leveraging the collective knowledge of distributed clients. However, the data collected in real-world scenarios is likely to follow a long-tailed distribution. For example, in the medical domain, it is more common for the number of general health notes to be much larger than those specifically relatedto certain diseases. The presence of long-tailed data can significantly degrade the performance of PFL models. Additionally, due to the diverse environments in which each client operates, data heterogeneity is also a classic challenge in federated learning. In this paper, we explore the joint problem of global long-tailed distribution and data heterogeneity in PFL and propose a method called Expert Collaborative Learning (ECL) to tackle this problem. Specifically, each client has multiple experts, and each expert has a different training subset, which ensures that each class, especially the minority classes, receives sufficient training. Multiple experts collaborate synergistically to produce the final prediction output. Without special bells and whistles, the vanilla ECL outperforms other state-of-the-art PFL methods on several benchmark datasets under different degrees of data heterogeneity and long-tailed distribution.

چکیده به فارسی (ترجمه ماشینی)

یادگیری فدراسیون شخصی (PFL) با هدف دستیابی به مدلهای سفارشی برای هر مشتری بدون افشای داده های خام با استفاده از دانش جمعی از مشتریان توزیع شده.با این حال ، داده های جمع آوری شده در سناریوهای دنیای واقعی احتمالاً از توزیع طولانی مدت پیروی می کنند.به عنوان مثال ، در حوزه پزشکی ، شایع تر از تعداد یادداشت های بهداشت عمومی بسیار بزرگتر از مواردی است که به طور خاص به بیماری های خاص مربوط می شود.حضور داده های دم بلند می تواند عملکرد مدل های PFL را به میزان قابل توجهی تخریب کند.علاوه بر این ، با توجه به محیط های متنوعی که هر مشتری در آن فعالیت می کند ، ناهمگونی داده ها نیز یک چالش کلاسیک در یادگیری فدرال است.در این مقاله ، ما به بررسی مشکل مشترک توزیع جهانی و ناهمگونی داده ها در PFL می پردازیم و روشی به نام Expert Learning Contractive (ECL) را برای مقابله با این مشکل پیشنهاد می کنیم.به طور خاص ، هر مشتری دارای چندین متخصص است و هر یک از متخصصان دارای یک زیر مجموعه آموزش متفاوتی هستند که تضمین می کند که هر کلاس ، به ویژه کلاس های اقلیت ، آموزش کافی را دریافت می کند.متخصصان متعدد برای تولید خروجی پیش بینی نهایی به طور هم افزایی همکاری می کنند.بدون زنگ و سوت های خاص ، وانیل ECL از سایر روشهای پیشرفته PFL در چندین مجموعه داده معیار تحت درجه های مختلف ناهمگونی داده و توزیع دم بلند استفاده می کند.

📚 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.