آمار
| تعداد نشریات | 45 |
| تعداد شماره‌ها | 1,558 |
| تعداد مقالات | 19,015 |
| تعداد مشاهده مقاله | 64,496,990 |
| تعداد دریافت فایل اصل مقاله | 23,593,444 |
افزایش دقت و پایداری یادگیری فدراسیونی با استفاده از چارچوب اعتماد تطبیقی | ||
| مجله مهندسی برق دانشگاه تبریز | ||
| مقالات آماده انتشار، اصلاح شده برای چاپ، انتشار آنلاین از تاریخ 10 آبان 1405 | ||
| نوع مقاله: علمی-پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22034/tjee.2026.71718.5138 | ||
| نویسندگان | ||
| جواد محبی نجم آباد* 1؛ سید هادی سعید ذاکر2؛ مریم ایمانی3 | ||
| 1گروه مهندسی کامپیوتر، دانشگاه آزاد اسلامی، واحد قوچان، قوچان، ایران | ||
| 2گروه مهندسی کامپیوتر-نرم افزار، غیرانتفاعی، دانشگاه بین المللی امام رضا (ع)، مشهد، ایران | ||
| 3کارشناسی ارشد، گروه مهندسی کامپیوتر-رایانش امن، غیرانتفاعی، دانشگاه بین المللی امام رضا (ع)، مشهد، ایران | ||
| چکیده | ||
| یادگیری فدراسیونی امکان آموزش مدل‌های یادگیری ماشین بر روی داده‌های توزیع شده و حساس را بدون افشای داده‌های خام فراهم می‌کند. با این وجود ماهیت توزیع‌شده این فناوری و ناهمگونی داده‌ها، چالش‌های جدی در زمینه اعتماد به مشارکت‌کنندگان و آسیب‌پذیری در برابر گره‌های مخرب ایجاد می‌کند. روش‌های موجود اغلب با رویکرد واکنشی یا پیشگیرانه عمل کرده و نتوانسته‌اند تعادلی بهینه میان امنیت، حریم خصوصی و دقت مدل در محیط‌های واقعی برقرار کنند. در این مقاله «یادگیری فدراسیونی تقویت‌شده با اعتماد تطبیقی» معرفی می‌شود که با الهام از الگوریتم اعتماد ویژه و میانگین متحرک نمایی، سازوکار اعتماد و حریم خصوصی تطبیقی را برای ارزیابی و وزن‌دهی گره‌ها پیاده‌سازی می‌کند. در این روش با یادگیری از رفتار گذشته و وضعیت لحظه‌ای گره‌ها، سرعت همگرایی مدل، دقت نهایی و مقاومت در برابر حملات بیزانسی و تدریجی را افزایش می‌دهد. نتایج تجربی نشان می‌دهد روش پیشنهادی در مقایسه با روش پایه دقت مدل را از ۸۷/۲٪ درصد به ۹۲/۱٪ ارتقا می‌دهد و افت دقت در حملات بیزانسی را از ۱۸/۷٪ به ۸/۲٪کاهش می‌دهد. تحلیل حساسیت پارامترها و شبیه‌سازی محیط‌های مختلف، نشان‌‌دهنده پایداری و قابلیت اطمینان بالای این چارچوب است. نتایج نشان می‌دهد که چارچوب پیشنهادی می‌تواند گزینه‌ای مناسب برای استقرار سامانه‌های یادگیری فدرال در محیط‌های واقعی باشد. | ||
| کلیدواژه‌ها | ||
| یادگیری فدراسیونی؛ چارچوب اعتماد؛ اعتماد ویژه؛ حریم خصوصی تفاضلی تطبیقی؛ داده‌های ناهمگون | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 2 |
||