یادگیری فدرال در تحلیل و پردازش داده های حجیم

چکیده مقاله

یادگیری فدرال به عنوان یک رویکرد نوین در تحلیل و پردازش داده های حجیم باوجود مزایای چشمگیر در حفظ حریم خصوصی و کاهش نیاز به تجمیع داده ها در مسیر توسعه و پذیرش گسترده با چالش هایی مواجه است برخی از مهم ترین چالش ها عبارت اند از هزینه های ارتباطی و محاسباتی نجومی در مقیاس بزرگ، ناهمگونی داده ها و آموزش مدل های بنیادین و زبانی بزرگ این چالش ها در روابطی سلسله مراتبی و درهم تنیده قرار دارند در نتیجه دستاورد اصلی این بررسی تاکید بر ضرورت راه حل های یکپارچه و متوازن جهت رفع این چالش ها است که بتوانند به طور هم زمان اهدافی همچون کارایی، حریم خصوصی قوی، عدالت و مقیاس پذیری را در محیط های داده های حجیم محقق سازند

کلیدواژه‌ها

نویسندگان

حسین صابری

استادیار دانشکده و پژوهشکده هوش مصنوعی و علوم شناختی دانشگاه جامع امام حسین ع

مسعود پروانه

دانشجوی دکتری هوش مصنوعی

�ابری، حسین و پروانه، مسعود،1404،یادگیری فدرال در تحلیل و پردازش داده های حجیم،دومین کنفرانس بین المللی دو سالانه پیشرفت ها در هوش مصنوعی و علوم داده،بوشهر

ارائه‌شده در

همایش «بسیج، پیشرفت و امنیت پایدار در منطقه جنوب شرق کشور»7 بهمن 1404 · تهران