Distributed, Parallel, and Cluster Computing,Machine Learning,محاسبات توزیع شده , موازی و خوشه ای , یادگیری ماشین ,
توضیحات
Submitted 16 September, 2024; v1 submitted 11 September, 2024; originally announced September 2024. , Comments: Accepted by ICDM2024 main conference (long paper). arXiv admin note: substantial text overlap with arXiv:2309.13546
توضیحات به فارسی
ارائه شده 16 سپتامبر 2024 ؛V1 ارسال شده 11 سپتامبر 2024 ؛در ابتدا در سپتامبر 2024 اعلام شد ، نظرات: پذیرفته شده توسط کنفرانس اصلی ICDM2024 (مقاله طولانی).Arxiv Admin توجه: متن قابل توجهی با ARXIV همپوشانی دارد: 2309.13546
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 distributed machine learning scheme in which clients jointly participate in the collaborative training of a global model by sharing model information rather than their private datasets. In light of concerns associated with communication and privacy, one-shot FL with a single communication round has emerged as a de facto promising solution. However, existing one-shot FL methods either require public datasets, focus on model homogeneous settings, or distill limited knowledge from local models, making it difficult or even impractical to train a robust global model. To address these limitations, we propose a new data-free dual-generator adversarial distillation method (namely DFDG) for one-shot FL, which can explore a broader local models' training space via training dual generators. DFDG is executed in an adversarial manner and comprises two parts: dual-generator training and dual-model distillation. In dual-generator training, we delve into each generator concerning fidelity, transferability and diversity to ensure its utility, and additionally tailor the cross-divergence loss to lessen the overlap of dual generators' output spaces. In dual-model distillation, the trained dual generators work together to provide the training data for updates of the global model. At last, our extensive experiments on various image classification tasks show that DFDG achieves significant performance gains in accuracy compared to SOTA baselines.
چکیده به فارسی (ترجمه ماشینی)
Federated Learning (FL) یک طرح یادگیری ماشین توزیع شده است که در آن مشتریان به طور مشترک با به اشتراک گذاری اطلاعات مدل به جای مجموعه داده های خصوصی خود در آموزش مشترک یک مدل جهانی شرکت می کنند.با توجه به نگرانی های مرتبط با ارتباطات و حریم خصوصی ، FL یک شات با یک دور ارتباطی واحد به عنوان یک راه حل امیدوار کننده به وجود آمده است.با این حال ، روشهای FL یک شات موجود یا نیاز به مجموعه داده های عمومی ، تمرکز بر روی تنظیمات همگن مدل یا تقطیر دانش محدود از مدل های محلی ، و آموزش یک مدل جهانی قوی را دشوار یا حتی غیر عملی می کند.برای پرداختن به این محدودیت ها ، ما یک روش جدید تقطیر طرفداری دوگانه Dual-Generator (یعنی DFDG) را برای FL یک شات ارائه می دهیم ، که می تواند از طریق آموزش ژنراتورهای دوگانه ، فضای آموزش مدل های محلی گسترده تری را کشف کند.DFDG به صورت مخالف اجرا می شود و شامل دو بخش است: آموزش دوگانه ژنراتور و تقطیر مدلی دوگانه.در آموزش دو ژنراتور ، ما برای اطمینان از ابزار آن ، به هر ژنراتور در مورد وفاداری ، قابلیت انتقال و تنوع می پردازیم ، و علاوه بر این ، از دست دادن واگرایی متقاطع برای کاهش همپوشانی فضاهای خروجی ژنراتورهای دوگانه استفاده می کنیم.در تقطیر دو مدل ، ژنراتورهای دوتایی آموزش دیده با هم کار می کنند تا داده های آموزش را برای به روزرسانی های مدل جهانی ارائه دهند.در آخر ، آزمایش های گسترده ما در مورد کارهای مختلف طبقه بندی تصویر نشان می دهد که DFDG در مقایسه با خطوط SOTA به سود عملکرد قابل توجهی در دقت می رسد.
📚 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
