بررسی چالش های حفظ حریم خصوصی و ناهمگنی در Split Learning ترکیبی با Federated Learning برای کاربردهای توزیع شده

افزایش حجم داده های تولید شده توسط دستگاه های هوشمند و نیاز به حفظ حریم خصوصی، معماری های ترکیبی Split Federated Learning را به راهکاری مناسب برای یادگیری توزیع شده تبدیل کرده است. هدف این پژوهش، شناسایی و تحلیل چالش های حریم خصوصی و ناهمگنی در معماری SplitFed است. با رویکرد تحلیلی - توصیفی، تهدیدات حریم خصوصی در چهار دسته و ناهمگنی در سه بعد طبقه بندی و راهکارهای دفاعی بر اساس معیارهای دقت، حفاظت و هزینه ارزیابی شدند. نتایج نشان داد راهکار ترکیبی می تواند ۸۸٪ دقت، ۷۵٪ حفاظت حریم خصوصی و ۶۵٪ کاهش تاخیر را همزمان محقق کند. رویکردهای یکپارچه برای استقرار موفق ضروری است.

کلیدواژه ها:

حریم خصوصی تفاضلی ، ناهمگنی داده ، یادگیری تقسیم شده ، یادگیری فدرالی ، یادگیری فدرالی تقسیم شده