ترجمه فارسی مقاله رویکردهای حداکثرسازی ساب مدولار برای انتخاب عادلانه مشتری در یادگیری فدرال

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 Submodular Maximization Approaches for Equitable Client Selection in Federated Learning
عنوان مقاله به فارسی رویکردهای حداکثرسازی ساب مدولار برای انتخاب عادلانه مشتری در یادگیری فدرال
نویسندگان Andrés Catalino Castillo Jiménez, Ege C. Kaya, Lintao Ye, Abolfazl Hashemi
فرمت مقاله انگلیسی PDF
تعداد صفحات 13
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Artificial Intelligence,Signal Processing,Systems and Control,یادگیری ماشین , هوش مصنوعی , پردازش سیگنال , سیستم ها و کنترل ,
توضیحات Submitted 27 August, 2024; v1 submitted 24 August, 2024; originally announced August 2024. , Comments: 13 pages
توضیحات به فارسی ارسال شده در 27 اوت 2024 ؛V1 ارسال شده 24 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد. ، نظرات: 13 صفحه
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 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

In a conventional Federated Learning framework, client selection for training typically involves the random sampling of a subset of clients in each iteration. However, this random selection often leads to disparate performance among clients, raising concerns regarding fairness, particularly in applications where equitable outcomes are crucial, such as in medical or financial machine learning tasks. This disparity typically becomes more pronounced with the advent of performance-centric client sampling techniques. This paper introduces two novel methods, namely SUBTRUNC and UNIONFL, designed to address the limitations of random client selection. Both approaches utilize submodular function maximization to achieve more balanced models. By modifying the facility location problem, they aim to mitigate the fairness concerns associated with random selection. SUBTRUNC leverages client loss information to diversify solutions, while UNIONFL relies on historical client selection data to ensure a more equitable performance of the final model. Moreover, these algorithms are accompanied by robust theoretical guarantees regarding convergence under reasonable assumptions. The efficacy of these methods is demonstrated through extensive evaluations across heterogeneous scenarios, revealing significant improvements in fairness as measured by a client dissimilarity metric.

چکیده به فارسی (ترجمه ماشینی)

در یک چارچوب یادگیری فدرال معمولی ، انتخاب مشتری برای آموزش به طور معمول شامل نمونه گیری تصادفی زیر مجموعه ای از مشتری ها در هر تکرار است.با این حال ، این انتخاب تصادفی اغلب منجر به عملکرد متفاوت در بین مشتری ها می شود و نگرانی های مربوط به انصاف را ایجاد می کند ، به ویژه در برنامه هایی که نتایج عادلانه بسیار مهم است ، مانند کارهای یادگیری ماشین پزشکی یا مالی.این اختلاف به طور معمول با ظهور تکنیک های نمونه گیری مشتری محور عملکرد محور برجسته تر می شود.در این مقاله دو روش جدید ، یعنی Subtrunc و UnionFL ، طراحی شده است که برای پرداختن به محدودیت های انتخاب تصادفی مشتری طراحی شده است.هر دو رویکرد برای دستیابی به مدلهای متعادل تر از حداکثر عملکرد فرعی استفاده می کنند.آنها با اصلاح مشکل موقعیت مکانی تسهیلات ، هدف آنها کاهش نگرانی های انصاف مرتبط با انتخاب تصادفی است.Subtrunc اطلاعات از دست دادن مشتری را برای متنوع سازی راه حل ها اعمال می کند ، در حالی که UnionFL برای اطمینان از عملکرد عادلانه تر مدل نهایی ، به داده های انتخاب مشتری تاریخی متکی است.علاوه بر این ، این الگوریتم ها با ضمانت های نظری قوی در مورد همگرایی تحت فرضیات معقول همراه هستند.اثربخشی این روشها از طریق ارزیابی های گسترده در سناریوهای ناهمگن نشان داده شده است ، و پیشرفت های قابل توجهی در انصاف را نشان می دهد که توسط یک متریک تمایز مشتری اندازه گیری می شود.

📚 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.