ارزیابی معماریهای توزیع شده یادگیری فدرال با محاسبات لبه در پایش سلامت

چکیده مقاله

یادگیری فدرال به عنوان یک رویکرد نوین در حوزه یادگیری ماشین توزیع شده امکان آموزش مدلهای هوش مصنوعی را بدون نیاز به جابجایی دادهها بین دستگاههای مختلف فراهم میکند در این مقاله کارایی و عملکرد دو روش یادگیری فدرال افقی و عمودی در کاربردی از حوزه سلامت بررسی و مقایسه شده است نتایج این پژوهش نشان میدهد که یادگیری فدرال افقی عملکرد بهتری از نظر دقت مدل و سرعت همگرایی دارد و توانسته است نتایج بهتری در پیش بینی وضعیت خواب افراد ارائه دهد

کلیدواژه‌ها

نویسندگان

پیمان بابائی

گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، واحد تهران غرب، دانشگاه آزاد اسلامی، تهران، ایران

آرمین شالچیان

گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، واحد تهران غرب، دانشگاه آزاد اسلامی، تهران، ایران

�ابائی، پیمان و شالچیان، آرمین،1403،ارزیابی معماریهای توزیع شده یادگیری فدرال با محاسبات لبه در پایش سلامت،ششمین کنفرانس ملی دستاوردهای نوین در مهندسی برق، کامپیوتر و صنایع،اسفراین

ارائه‌شده در

مجموعه مقالات ششمین کنفرانس ملی دستاوردهای نوین در مهندسی برق، کامپیوتر و صنایع15 آبان 1403 · اسفراین