یادگیری فدرال یک است فراگیری ماشین تکنیکی که به چندین طرف اجازه می دهد تا یک مدل را بدون به اشتراک گذاشتن داده های خود آموزش دهند. در چندین صنعت از صفحه کلید دستگاه های تلفن همراه گرفته تا مراقبت های بهداشتی و خودروهای خودران و سکوهای نفتی استفاده می شود. این به ویژه در شرایطی مفید است که به اشتراک گذاری داده ها توسط مقررات محدود می شود، یا حساس یا اختصاصی است، زیرا به سازمان ها اجازه می دهد تا در پروژه های یادگیری ماشینی بدون به خطر انداختن حریم خصوصی داده ها همکاری کنند. همچنین در شرایطی که اندازه داده ها بسیار زیاد است مفید است و تمرکز داده ها را کند و پرهزینه می کند.
یکی از موانع اصلی در یادگیری ماشین نیاز به حجم زیاد داده است. این میتواند برای سازمانهایی که به مجموعه دادههای بزرگ دسترسی ندارند، یا برای سازمانهایی که با دادههای حساسی کار میکنند که نمیتوان آنها را به اشتراک گذاشت، یک چالش باشد. یادگیری فدرال به این سازمان ها اجازه می دهد تا بدون نیاز به اشتراک گذاری داده های خود در یک مدل مشترک مشارکت کنند.
یادگیری فدرال نیز می تواند به غلبه بر مسئله همگنی داده ها کمک کند. در بسیاری از موارد، مدلها بر اساس دادههای مجموعه کوچکی از منابع که جمعیت عمومی را نشان نمیدهند، آموزش داده میشوند. مدلهایی که بر روی مجموعه دادههای باریک آموزش داده شدهاند، به خوبی تعمیم نمییابند و بنابراین زمانی که بهطور گستردهتر به کار گرفته شوند، عملکرد ضعیفی دارند. یادگیری فدرال اجازه می دهد تا مدل های آموزشی در مجموعه بزرگتر و متنوع تری از منابع داده بدون نیاز به متمرکز بودن داده ها از همه این منابع داده، در نتیجه منجر به مدل های قوی تر با عملکرد بهتر شود.
علاوه بر این، هزینه منابع محاسبات ابری می تواند مانعی در یادگیری ماشین باشد. آموزش مدلهای یادگیری ماشینی میتواند از نظر محاسباتی فشرده باشد و به سختافزار گرانقیمتی مانند واحدهای پردازش گرافیکی (GPU) نیاز دارد. استفاده از نمونه های ابری برای آموزش می تواند خیلی سریع گران شود. یادگیری فدرال به سازمانها اجازه میدهد تا بار آموزش مدل را به اشتراک بگذارند و از منابع محاسباتی یا سرورهایی که قبلاً در مراکز داده خود استفاده نشدهاند استفاده کنند. این می تواند منجر به صرفه جویی قابل توجهی در هزینه در فرآیندهای آموزشی فشرده محاسباتی شود.
بسیاری از سازمان ها نیز نگران ایجاد نسخه های اضافی از مجموعه داده های بزرگ هستند. این میتواند هزینههای ذخیرهسازی بالا و همچنین هزینههای ارائهدهندگان ابری را برای انتقال دادهها بین مراکز داده اولیه و حسابهای ابری یا بین حسابهای ابری مختلف افزایش دهد. یادگیری فدرال به سازمانها اجازه میدهد تا یک نسخه از دادههای خود را حفظ کنند و برای آموزش مدلها با دادهها، نیازی به انتقال آن به مکان یا حساب ابری دیگر نیست.
چالش دیگری که می تواند استفاده از یادگیری ماشین را محدود کند حفظ حریم خصوصی و محدودیت های نظارتی. دادههای مورد استفاده برای آموزش مدلها ممکن است حاوی اطلاعات حساسی مانند اطلاعات شناسایی شخصی (PII) یا اطلاعات سلامت شخصی (PHI) باشد. یادگیری فدرال به سازمان ها اجازه می دهد تا مدل ها را بدون نیاز به اشتراک گذاری داده های خود آموزش دهند، که می تواند به کاهش این نگرانی های مربوط به حریم خصوصی و نظارتی کمک کند.
یادگیری فدرال در حال حاضر در چندین صنعت به منظور باز کردن قدرت مجموعه دادههای بزرگتر و متنوعتر بدون اشتراک داده استفاده میشود. به عنوان مثال، در سال 2021 a الگوریتم پشتیبانی تصمیم گیری کووید با داده های 20 بیمارستان در سراسر جهان با استفاده از یادگیری فدرال آموزش داده شد (افشای کامل: این پروژه توسط هم بنیانگذار و مدیر عامل ما رهبری شد) و در سال 2022 یک الگوریتم تشخیص حاشیه سرطان مغز با استفاده از داده های 71 بیمارستان در سراسر جهان آموزش داده شد. گوگل از یادگیری فدرال استفاده کرده است کلمه بعدی تایپ شده را پیش بینی کنید از سال 2018 روی صفحهکلیدهای اندرویدی گوگل (افشای کامل: قبل از تأسیس شرکتم، در Google کار میکردم و در پروژههایی با استفاده از یادگیری فدرال مشارکت داشتم).
به طور خلاصه، یادگیری فدرال به غلبه بر تعدادی از موانع در یادگیری ماشین کمک می کند، از جمله نیاز به مقادیر زیاد داده، هزینه منابع محاسباتی و ذخیره و انتقال داده، چالش همگنی داده ها، و نگرانی های حفظ حریم خصوصی و نظارتی. این به سازمانها اجازه میدهد تا در پروژههای یادگیری ماشینی بدون به خطر انداختن حریم خصوصی دادهها، دموکراتیک کردن استفاده از یادگیری ماشینی و دسترسی به دادههای آموزشی متنوعتر و ارائه مدلهای قویتر و با عملکرد بهتر، همکاری کنند.
- محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
- پلاتوبلاک چین. Web3 Metaverse Intelligence. دانش تقویت شده دسترسی به اینجا.
- منبع: https://www.dataversity.net/how-federated-learning-is-helping-to-overcome-obstacles-in-machine-learning/
- 2018
- 2021
- 2022
- a
- درباره ما
- دسترسی
- حساب
- حساب ها
- در میان
- معرفی
- اجازه می دهد تا
- قبلا
- مقدار
- و
- اندروید
- دور و بر
- خود مختار
- خودروهای خودمختار
- شدن
- قبل از
- بودن
- بهتر
- میان
- گسترده
- سرطان
- نمی توان
- اهميت دادن
- موارد
- مراکز
- تمرکز
- متمرکز
- مدیر عامل شرکت
- به چالش
- ابر
- بنیانگذاران
- همکاری
- شرکت
- محاسبه
- علاقمند
- نگرانی ها
- کمک
- هزینه
- صرفه جویی در هزینه
- هزینه
- ایجاد
- داده ها
- مرکز دادهها
- حریم خصوصی داده ها
- مجموعه داده ها
- به اشتراک گذاری داده ها
- ذخیره سازی داده ها
- مجموعه داده ها
- DATAVERSITY
- تصمیم
- دموکراتیک کردن
- مستقر
- کشف
- دستگاه
- مختلف
- افشاء
- مختلف
- نمی کند
- آیا
- مثال
- گران
- از جانب
- کامل
- سوالات عمومی
- گوگل
- GPU ها
- سخت افزار
- داشتن
- سلامتی
- مراقبت های بهداشتی
- اطلاعات سلامتی
- کمک
- مفید
- کمک
- زیاد
- بیمارستان ها
- چگونه
- HTTPS
- in
- از جمله
- لوازم
- اطلاعات
- گرفتار
- موضوع
- IT
- بزرگ
- بزرگتر
- رهبری
- برجسته
- یادگیری
- رهبری
- محدود
- محدود شده
- بار
- محل
- دستگاه
- فراگیری ماشین
- اصلی
- حفظ
- ساخت
- بسیاری
- حاشیه
- کاهش
- موبایل
- دستگاه موبایل
- مدل
- مدل
- بیش
- متحرک
- چندگانه
- طبیعت
- نیاز
- بعد
- عدد
- مانع
- موانع
- نفت
- سفارش
- سازمان های
- غلبه بر
- ویژه
- احزاب
- کارایی
- شخصی
- بهداشت شخصی
- شخصا
- پی
- افلاطون
- هوش داده افلاطون
- PlatoData
- جمعیت
- قدرت
- خلوت
- فرآیندهای
- در حال پردازش
- پروژه
- پروژه ها
- اختصاصی
- ارائه دهندگان
- به سرعت
- تنظیم
- تنظیم کننده
- نشان دادن
- نیاز
- منابع
- تنومند
- قربانی کردن
- پس انداز
- حساس
- تنظیم
- مجموعه
- چند
- اشتراک گذاری
- به اشتراک گذاشته شده
- اشتراک
- قابل توجه
- پس از
- تنها
- شرایط
- اندازه
- کند
- کوچک
- منابع
- ذخیره سازی
- چنین
- خلاصه
- پشتیبانی
- La
- جهان
- شان
- به
- قطار
- آموزش دیده
- آموزش
- انتقال
- انتقال
- واحد
- باز
- استفاده کنید
- با استفاده از
- وسایل نقلیه
- که
- بدون
- کلمه
- مشغول به کار
- کارگر
- جهان
- متورق
- زفیرنت