مرور نظام مند یادگیری فدرال در محیط های اینترنت اشیا: چالش ها و مسیرهای آینده

یادگیری فدرال (Federated Learning) به عنوان یک رویکرد نوین در یادگیری ماشین، با هدف آموزش مدل های هوشمند بدون تمرکز داده، طی سال های اخیر مورد توجه گسترده پژوهشگران قرار گرفته است. این روش با نگه داشتن داده ها در محل تولید و تبادل تنها به روزرسانی های مدل میان دستگاه های لبه و سرور مرکزی، ضمن حفظ حریم خصوصی کاربران، زمینه ای برای یادگیری توزیع شده و کم هزینه فراهم می کند. پژوهش حاضر با رویکرد مرور نظام مند، به تحلیل و ترکیب مطالعات منتشر شده در زمینه یادگیری فدرال در محیط های اینترنت اشیا (IoT) در بازه زمانی ۲۰۲۰ تا ۲۰۲۵ می پردازد. در این مطالعه، پایگاه های علمی Scopus، IEEE Xplore، ScienceDirect، SpringerLink و MDPI جستجو و پس از غربالگری دقیق، ۸۲ مقاله معتبر انتخاب شد. نتایج نشان داد الگوریتم های FedProx، SCAFFOLD، FedOpt، FedBN و pFedMe توانسته اند مشکل ناهمگنی داده و محدودیت منابع را کاهش دهند. همچنین روش های انتخاب کارخواه هوشمند مانند Oort و TiFL و تجمیع ناهمزمان امن مانند FedBuff و BASecAgg موجب بهبود پایداری و کاهش تاخیر شده اند. در بعد امنیت و حریم خصوصی، ترکیب تفاضل محرمانگی و تجمیع امن به همراه تجمیع های مقاوم نظیر RFA و Krum مقاومت مدل را در برابر حملات درپشتی افزایش داده است. در پایان، مرور حاضر بیان می کند که یادگیری فدرال ظرفیت بالایی برای یادگیری ماشین توزیع شده در محیط های اینترنت اشیا دارد، اما برای کاربرد عملی نیازمند استانداردسازی شاخص های ارزیابی، مدیریت مصرف انرژی و همگامی با زیرساخت های نسل ششم ارتباطات است.

کلیدواژه ها:

یادگیری فدرال ، اینترنت اشیا ، امنیت داده ، حریم خصوصی ، ناهمگنی آماری ، بهینه سازی توزیع شده