مبانی، کاربردها و چالشهای یادگیری مشارکتی و تحلیل تجربی و مقایسه ابزارهای یادگیری فدرالی در پیاده سازی مدلهای یادگیری ماشین

چکیده مقاله

یادگیری فدرالی به عنوان رویکردی نوین در حوزه یادگیری ماشین امکان آموزش مدلها را بدون نیاز به تجمیع داده ها در یک مکان مرکزی فراهم می سازد این ویژگی نه تنها موجب افزایش حفظ حریم خصوصی داده ها می شود بلکه زمینه را برای استفاده از داده های توزیع شده در مقیاس وسیع نیز مهیا می کند با وجود این، مزایا انتخاب ابزار و چارچوب مناسب برای پیاده سازی یادگیری فدرالی همچان یکی از چالش های اساسی پژوهشگران و صنعت محسوب می شود در سال های اخیر ابزارهای متعددی نظیر TensorFlow FedML Flower PySyft Federated و PaddleFL توسعه یافته اند که هر یک قابلیت ها، محدودیت ها و حوزه های کاربرد متفاوتی دارند خلا اصلی در پژوهش های پیشین آن است که اغلب به معرفی یا استفاده موردی از این ابزارها پرداخته اند، اما مقایسه ای جامع و تحلیلی میان آن ها با تمرکز بر معیارهایی چون سهولت استفاده، مقیاس پذیری، پشتیبانی از الگوریتم های مختلف، امنیت و مستندات کمتر انجام شده است این مقاله مروری با هدف پرکردن این خلا به بررسی و تحلیل تطبیقی ابزارهای اصلی یادگیری فدرالی پرداخته و نقاط قوت و ضعف آن ها را تبیین می کند نوآوری کار حاضر در ارائه دیدگاهی یکپارچه و تحلیلی برای انتخاب ابزار متناسب با نیازهای پژوهشی و صنعتی است یافته ها می توانند به عنوان مرجعی برای پژوهشگران و توسعه دهندگان در طراحی سیستم های مبتنی بر یادگیری فدرالی مورد استفاده قرار گیرند

کلیدواژه‌ها

نویسندگان

زهرا بیات

مدرس، کامپیوتر، دانشکده فنی و مهندسی، گروه کامپیوتر، دانشگاه ملی مهارت حضرت رقیه س ، یزد، ایران

ابوالفضل گندمی

استادیار، دانشکده مهندسی کامپیوتر، دانشگاه آزاد اسلامی، یزد، ایران

�یات، زهرا و گندمی، ابوالفضل،1404،مبانی، کاربردها و چالشهای یادگیری مشارکتی و تحلیل تجربی و مقایسه ابزارهای یادگیری فدرالی در پیاده سازی مدلهای یادگیری ماشین،یازدهمین کنفرانس بین المللی تحقیقات بین رشته ای در مهندسی برق، کامپیوتر، مکانیک و مکاترونیک در ایران و جهان اسلام،تهران

ارائه‌شده در

مجموعه مقالات یازدهمین کنفرانس بین المللی تحقیقات بین رشته ای در مهندسی برق، کامپیوتر، مکانیک و مکاترونیک در ایران و جهان اسلام31 شهریور 1404 · تهران