সরল রাখুন: অবিশ্বস্ত ক্লায়েন্টদের সাথে ফেডার্টেড লার্নিং-এর ত্রুটি সহনশীলতা মূল্যায়ন
Author
Venue
আইইইই ক্লাউড ২০২৩
Abstract
ফেডার্টেড লার্নিং (FL), একটি উদীয়মান কৃত্রিম বুদ্ধিমত্তা (AI) পদ্ধতি হিসেবে, একাধিক ডিভাইসে তাদের স্থানীয় প্রশিক্ষণ ডেটা উন্মোচন না করেই বিকেন্দ্রীকৃত মডেল প্রশিক্ষণ সক্ষম করে। FL একাডেমিয়া এবং শিল্প উভয় ক্ষেত্রেই ক্রমবর্ধমান জনপ্রিয়তা অর্জন করছে। যদিও FL-এর ত্রুটি সহনশীলতা উন্নত করার জন্য গবেষণা কাজ প্রস্তাব করা হয়েছে, বাস্তব-বিশ্বের অ্যাপ্লিকেশনগুলিতে অবিশ্বস্ত ডিভাইস (যেমন সংযোগ বিচ্ছিন্ন হওয়া, ভুল কনফিগারেশন, নিম্নমানের ডেটা) এর প্রকৃত প্রভাব সম্পূর্ণরূপে অনুসন্ধান করা হয়নি। আমরা FL-এর ত্রুটি সহনশীলতা আরও ভালোভাবে বিশ্লেষণ করার জন্য সীমিত সংখ্যক ক্লায়েন্টসহ দুটি প্রতিনিধিত্বমূলক বাস্তব-বিশ্ব শ্রেণীবিন্যাস সমস্যা সাবধানে নির্বাচন করেছি। প্রচলিত ধারণার বিপরীতে, সাধারণ FL অ্যালগরিদমগুলো অবিশ্বস্ত ক্লায়েন্টদের উপস্থিতিতে আশ্চর্যজনকভাবে ভালো পারফর্ম করতে পারে।
