روش یادگیری فدرال غیرمتمرکز مبتنی بر گراف پویا و تصمیم گیری چندمعیاره برای شبکه های متحرک

یادگیری فدرال به عنوان یک رویکرد نوین در یادگیری ماشین توزیع شده، امکان آموزش مدل های هوش مصنوعی را بدون نیاز به انتقال داده های خام فراهم می سازد. با این حال، ساختار کلاسیک یادگیری فدرال وابسته به یک سرور مرکزی است که در بسیاری از کاربردهای واقعی نظیر شبکه های متحرک و اینترنت اشیاء در دسترس نیست. از سوی دیگر، ناهمگونی داده ها و تحرک گره ها چالش های اساسی در پیاده سازی چنین دستگاه هایی ایجاد می کند. در این پژوهش، یک روش نوین برای یادگیری فدرال غیرمتمرکز ارائه شده است. در این روش، هر گره تنها بر اساس ارتباطات محلی خود و بدون وابستگی به گره مرکزی اقدام به به روزرسانی مدل می کند. یک گراف پویا مبتنی بر ملاقات گره ها برای مدل سازی ارتباطات ایجادشده و به کمک محاسبه مجموعه برتری گراف، گره های موثر در فرآیند تجمیع انتخاب می شوند. برای وزن دهی دقیق به مدل های منتخب، از یک روش تصمیم گیری چندمعیاره استفاده شده است که معیارهایی نظیر دقت، حجم داده و امتیاز گره را در نظر می گیرد. علاوه براین، از شباهت بین مدل ها در فرآیند تجمیع گراف ها استفاده می شود. روش پیشنهادی بر روی سه دادگان مرجع MNIST، FASHION-MNIST و CIFAR۱۰ ارزیابی و با دو روش مرجع FedAvg همتابه همتا و WAFL مقایسه شد. نتایج دقت مدل ها در دو محیط با ۵۰ و ۱۰۰ گره به ترتیب ۹۶۴/۰، ۹۵۲/۰، ۷۷۱/۰، ۶۸۲/۰، ۴۲۴/۰ و ۳۹۹/۰ نشان داد که روش پیشنهادی عملکرد بهتری دارد. یافته ها بیانگر توانمندی روش پیشنهادی برای کاربرد در شبکه های پویا و متحرک با تعداد مشتری های زیاد و فاقد زیرساخت مرکزی است که می تواند بر مشکل مقیاس پذیری و انحراف مشتری ها در یادگیری فدرال غیرمتمرکز غلبه کند.

کلیدواژه ها:

یادگیری فدرال غیرمتمرکز ، شبکه های همتابه همتای متحرک ، مجموعه برتری گراف ، روش تصمیم گیری چندمعیاره