کنفرانس بین المللی فناوری اطلاعات و دانش

صفحه اصلی / شانزدهمین کنفرانس بین المللی فناوری اطلاعات و دانش

مروری بر الگوریتم‌های انتخاب مشتری در یادگیری فدرال

نویسندگان :

عطیه منعمی بیدگلی¹ رضا مهدوی²

1- دانشگاه خوارزمی 2- دانشگاه خوارزمی

کلمات کلیدی :

یادگیری فدرال،انتخاب مشتری،رایانش لبه،بهینه‌سازی منابع

چکیده :

یادگیری فدرال (Federated Learning) یک چارچوب نوظهور در یادگیری ماشین است که به دلیل اهمیت حریم خصوصی و افزایش حجم داده‌های توزیع‌شده، توجه بسیاری از محققان را به خود جلب کرده است. در این رویکرد، داده‌های کاربران بر روی دستگاه‌های محلی باقی می‌ماند و تنها به‌روزرسانی‌های مدل به سرور مرکزی ارسال می‌شود. یکی از اساسی‌ترین چالش‌ها در این فرآیند، انتخاب مشتری (Client Selection) است که تأثیر مستقیم بر کیفیت نهایی مدل، زمان همگرایی، میزان مصرف منابع و هزینه‌های ارتباطی دارد. هدف این مقاله مروری، ارائه یک نگاه جامع به روش‌های مختلف انتخاب مشتری است. بدین منظور ابتدا معماری کلی یادگیری فدرال و اهمیت انتخاب مشتری بیان می‌شود. سپس دسته‌بندی روش‌های متداول در این زمینه شامل انتخاب تصادفی، روش‌های مبتنی بر منابع، رویکردهای سودمندی، روش‌های مبتنی بر انصاف و الگوریتم‌های مبتنی بر خوشه‌بندی و یادگیری تقویتی تشریح خواهد شد. در ادامه، الگوریتم‌های شاخص مانند FedAvg، TiFL، FedCS، Oort، q-FFL و FedMA بررسی و تحلیل می‌شوند. همچنین محیط‌های شبیه‌سازی و آزمایش‌های واقعی در شرکت‌های بزرگ معرفی شده و در نهایت چالش‌ها و مسیرهای آینده پژوهش تبیین می‌گردد.