Machine Learning,Distributed, Parallel, and Cluster Computing,یادگیری ماشین , توزیع , موازی و محاسبات خوشه ای ,
توضیحات
Submitted 14 August, 2024; originally announced August 2024. , Comments: Submitted to The 39th Annual AAAI Conference on Artificial Intelligence (AAAI-25)
توضیحات به فارسی
ارسال شده در 14 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد. ، نظرات: ارسال شده به 39 مین کنفرانس سالانه AAAI در زمینه هوش مصنوعی (AAAI-25)
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) promises better privacy guarantees for individuals' data when machine learning models are collaboratively trained. When an FL participant exercises its right to be forgotten, i.e., to detach from the FL framework it has participated and to remove its past contributions to the global model, the FL solution should perform all the necessary steps to make it possible without sacrificing the overall performance of the global model, which is not supported in state-of-the-art related solutions nowadays. In this paper, we propose FedQUIT, a novel algorithm that uses knowledge distillation to scrub the contribution of the forgetting data from an FL global model while preserving its generalization ability. FedQUIT directly works on clients' devices and does not require sharing additional information if compared with a regular FL process, nor does it assume the availability of publicly available proxy data. Our solution is efficient, effective, and applicable in both centralized and federated settings. Our experimental results show that, on average, FedQUIT requires less than 2.5% additional communication rounds to recover generalization performances after unlearning, obtaining a sanitized global model whose predictions are comparable to those of a global model that has never seen the data to be forgotten.
چکیده به فارسی (ترجمه ماشینی)
Federated Learning (FL) هنگام آموزش مدل های یادگیری ماشین ، تضمین های بهتر حریم خصوصی را برای داده های افراد نوید می دهد.هنگامی که یک شرکت کننده FL از حق فراموش شدن خود استفاده می کند ، یعنی جدا کردن از چارچوب FL ، شرکت کرده و کمک های گذشته خود را به مدل جهانی حذف می کند ، راه حل FL باید تمام مراحل لازم را انجام دهد تا بدون آنکه به طور کلی قربانی شود ، امکان پذیر شودعملکرد مدل جهانی ، که امروزه در راه حل های پیشرفته و پیشرفته پشتیبانی نمی شود.در این مقاله ، ما FedQuit ، یک الگوریتم جدید را پیشنهاد می کنیم که از تقطیر دانش استفاده می کند تا سهم داده های فراموشی را از یک مدل FL جهانی ضمن حفظ توانایی تعمیم آن استفاده کند.FedQuit به طور مستقیم روی دستگاه های مشتری کار می کند و در صورت مقایسه با یک فرآیند معمولی FL ، نیازی به به اشتراک گذاری اطلاعات اضافی ندارد و همچنین در دسترس بودن داده های پروکسی در دسترس عمومی نیست.راه حل ما در هر دو تنظیمات متمرکز و فدرال کارآمد ، مؤثر و کاربردی است.نتایج تجربی ما نشان می دهد که ، به طور متوسط ، FedQuit برای بازیابی عملکردهای عمومی پس از آراستگی ، به کمتر از 2.5 ٪ دور ارتباطی اضافی نیاز دارد ، به دست آوردن یک مدل جهانی ضد عفونی شده که پیش بینی های آن قابل مقایسه با مدل های جهانی است که هرگز ندیده است که داده ها فراموش شوند.
📚 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
