کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 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
Federated Learning (FL) is a rising approach towards collaborative and privacy-preserving machine learning where large-scale medical datasets remain localized to each client. However, the issue of data heterogeneity among clients often compels local models to diverge, leading to suboptimal global models. To mitigate the impact of data heterogeneity on FL performance, we start with analyzing how FL training influence FL performance by decomposing the global loss into three terms: local loss, distribution shift loss and aggregation loss. Remarkably, our loss decomposition reveals that existing local training-based FL methods attempt to reduce the distribution shift loss, while the global aggregation-based FL methods propose better aggregation strategies to reduce the aggregation loss. Nevertheless, a comprehensive joint effort to minimize all three terms is currently limited in the literature, leading to subpar performance when dealing with data heterogeneity challenges. To fill this gap, we propose a novel FL method based on global loss decomposition, called FedLD, to jointly reduce these three loss terms. Our FedLD involves a margin control regularization in local training to reduce the distribution shift loss, and a principal gradient-based server aggregation strategy to reduce the aggregation loss. Notably, under different levels of data heterogeneity, our strategies achieve better and more robust performance on retinal and chest X-ray classification compared to other FL algorithms. Our code is available at \href{https://github.com/Zeng-Shuang/FedLD}{https://github.com/Zeng-Shuang/FedLD}.
چکیده به فارسی (ترجمه ماشینی)
یادگیری فدرال (FL) یک رویکرد در حال افزایش به سمت یادگیری ماشین مشارکتی و حفظ حریم خصوصی است که در آن مجموعه داده های پزشکی در مقیاس بزرگ برای هر مشتری بومی سازی می شود.با این حال ، مسئله ناهمگونی داده ها در بین مشتری ها اغلب مدلهای محلی را وادار به واگرایی می کند و منجر به مدل های جهانی زیر حد می شود.برای کاهش تأثیر ناهمگونی داده ها بر عملکرد FL ، ما با تجزیه و تحلیل چگونگی تأثیر آموزش FL با تجزیه ضرر جهانی به سه اصطلاح شروع می کنیم: از دست دادن محلی ، از دست دادن تغییر توزیع و از دست دادن تجمع.نکته قابل توجه ، تجزیه ضرر ما نشان می دهد که روشهای FL مبتنی بر آموزش محلی موجود برای کاهش از دست دادن تغییر توزیع تلاش می کنند ، در حالی که روش های FL مبتنی بر جمع جهانی استراتژی های جمع آوری بهتری را برای کاهش ضرر جمع ارائه می دهند.با این وجود ، یک تلاش مشترک مشترک برای به حداقل رساندن هر سه اصطلاح در حال حاضر در ادبیات محدود است و منجر به عملکرد Subpar هنگام برخورد با چالش های ناهمگونی داده ها می شود.برای پر کردن این شکاف ، ما یک روش جدید FL را بر اساس تجزیه جهانی از دست دادن جهانی به نام FEDLD پیشنهاد می کنیم تا به طور مشترک این سه اصطلاح ضرر را کاهش دهیم.FEDLD ما شامل یک کنترل کنترل حاشیه در آموزش های محلی برای کاهش از دست دادن تغییر توزیع و یک استراتژی اصلی جمع آوری سرور مبتنی بر گرادیان برای کاهش ضرر جمع است.نکته قابل توجه ، در سطوح مختلف ناهمگونی داده ها ، استراتژی های ما عملکرد بهتری و قوی تر در طبقه بندی اشعه ایکس شبکیه و قفسه سینه در مقایسه با سایر الگوریتم های FL به دست می آورند.کد ما در \ href {https://github.com/zeng-rephuang/fedld} {https://github.com/zeng-shuang/fedld} 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.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 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
