فهرست نشریات علمی دسترسی آزاد ایران

یادگیری فدرال به عنوان یک رویکرد نوین در یادگیری ماشین توزیع‌شده، امکان آموزش مدل‌های هوش مصنوعی را بدون نیاز به انتقال داده‌های خام فراهم می‌سازد. با این حال، ساختار کلاسیک یادگیری فدرال وابسته به یک سرور مرکزی است که در بسیاری از کاربردهای واقعی نظیر شبکه‌های متحرک و اینترنت اشیاء در دسترس نیست. از سوی دیگر، ناهمگونی داده‌ها و تحرک گره‌ها چالش‌های اساسی در پیاده‌سازی چنین دستگاه‌هایی ایجاد می‌کند. در این پژوهش، یک روش نوین برای یادگیری فدرال غیرمتمرکز ارائه‌شده است. در این روش، هر گره تنها بر اساس ارتباطات محلی خود و بدون وابستگی به گره مرکزی اقدام به به‌روزرسانی مدل می‌کند. یک گراف پویا مبتنی بر ملاقات گره‌ها برای مدل‌سازی ارتباطات ایجادشده و به کمک محاسبه مجموعه برتری گراف، گره‌های مؤثر در فرآیند تجمیع انتخاب می‌شوند. برای وزن‌دهی دقیق به مدل‌های منتخب، از یک روش تصمیم‌گیری چندمعیاره استفاده‌شده است که معیارهایی نظیر دقت، حجم داده و امتیاز گره را در نظر می‌گیرد. علاوه براین، از شباهت بین مدل‌ها در فرآیند تجمیع گراف‌ها استفاده می‌شود. روش پیشنهادی بر روی سه دادگان مرجع MNIST، FASHION-MNIST و CIFAR10 ارزیابی و با دو روش مرجع FedAvg همتابه‌همتا و WAFL مقایسه شد. نتایج دقت مدل‌ها در دو محیط با 50 و 100 گره به ترتیب 964/0، 952/0، 771/0، 682/0، 424/0 و 399/0 نشان داد که روش پیشنهادی عملکرد بهتری دارد. یافته‌ها بیانگر توانمندی روش پیشنهادی برای کاربرد در شبکه‌های پویا و متحرک با تعداد مشتری‌های زیاد و فاقد زیرساخت مرکزی است که می‌تواند بر مشکل مقیاس‌پذیری و انحراف مشتری‌ها در یادگیری فدرال غیرمتمرکز غلبه کند.