بهبود عملكرد سيستم‌هاي يادگيري فدرال در شرايط ناهمگوني داده به كمك خوشه‌بندي طيفي و نمونه‌گيري مبتني بر راهزن چندبازو

اصفهان : دانشگاه صنعتي اصفهان

مهندسي كامپيوتر هوش مصنوعي و رباتيكز

كارشناسي ارشد

يادگيري فدرال چارچوبي نوين براي آموزش مدل‌هاي هوش مصنوعي بر روي داده‌هاي پراكنده كاربران است. در اين چارچوب، به جاي انتقال داده‌هاي خام، تنها وزن‌هاي مدل از دستگاه‌هاي محلي كاربران به يك سرور مركزي ارسال و تجميع مي‌شود تا يك مدل مشترك جهاني ايجاد شود. در دور بعدي يادگيري، اين مدل تجميع شده به عنوان مدل اوليه براي كاربران ارسال مي‌شود تا اطلاعات كاربران به طور ضمني به اشتراك گذاشته شده و بهبود تدريجي كيفيت مدل حاصل شود. با اين حال، ناهمگوني داده‌هاي كاربران يكي از چالش‌هاي اصلي در اين زمينه است كه منجر به كاهش دقت مدل، كندي همگرايي و ناعادلانه شدن عملكرد بين كاربران مي‌شود. هدف اين پژوهش ارائه رويكردي براي حل چالش ناهمگوني حاد داده است. براي اين منظور، رويكردي مبتني بر گروه‌بندي پويا و انتخاب هوشمندانه كاربران پيشنهاد شده است. در اين رويكرد سعي شده تا با استفاده از الگوريتم خوشه‌بندي طيفي بر پايه وزن‌هاي مدل ارسالي كاربران، كيفيت جداسازي كاربران با توزيع داده متفاوت بهبود يابد. هم‌چنين زيرسيستم نمونه‌گيري پيشنهادي در هر دور يادگيري، كاربران را به صورت درون‌خوشه‌اي و با استفاده از الگوريتم راهزن چندبازو بر مبناي عملكرد گذشته‌شان انتخاب مي‌كند تا به صورت همزمان تعميم‌پذيري مدل و سطح عدالت بين كاربران ارتقا پيدا كند. نتايج آزمون‌ها نشان مي‌دهد كه دقت رويكرد پيشنهادي در 83 درصد از دورهاي يادگيري در سناريوهاي ناهمگوني حاد داده نسبت به رويكرد خط‌مبنا چيرگي كامل داشته و همزمان سطح عدالت بين كاربران را به طور ميانگين تا 21 درصد بهبود مي‌بخشد. از طرفي سرعت همگرايي شبكه در اين رويكرد افزايش قابل توجهي داشته است. به طوري كه در شبيه‌سازي‌هاي به طول 500 دور، به طور ميانگين از دور 66 به بعد، ميزان دقت كاربران شبكه از ميانگين 10 درصد از بهترين دورهاي رويكرد خط‌مبنا فراتر مي‌رود. واژه‌هاي كليدي: يادگيري فدرال، ناهمگوني داده، خوشه‌بندي، عدالت و نابرابري.

236594

هوش مصنوعي و رباتيكز

مهندسي برق و كامپيوتر

دانشگاه صنعتي اصفهان