آمار
| تعداد نشریات | 45 |
| تعداد شماره‌ها | 1,558 |
| تعداد مقالات | 19,015 |
| تعداد مشاهده مقاله | 64,496,990 |
| تعداد دریافت فایل اصل مقاله | 23,593,443 |
کاهش واگرایی گرادیان در یادگیری فدراسیونی ناهمگون توسط وزن‌دهی خودتطبیقی سه‌بعدی زمانی | ||
| 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.2026.72257.5156 | ||
| نویسندگان | ||
| جواد محبی نجم آباد* 1؛ 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 | ||
| 3گروه مهندسی کامپیوتر-رایانش امن، غیرانتفاعی، دانشگاه بین المللی امام رضا (ع)، مشهد، ایران | ||
| چکیده | ||
| ناهمگونی آماری در یادگیری فدراسیونی باعث پدیده انحراف گره می‌شود؛ شرایطی که در آن گرادیان‌های محلی از بهینه جهانی فاصله می‌گیرند. پژوهش‌های پیشین اغلب نویز آماری ناهمگنی را با حملات مخرب اشتباه می‌گیرند و از فیلترهای واکنشی استفاده می‌کنند که سیگنال‌های معتبر داده‌ها را نیز از بین می‌برند. اگرچه پیشینه تحقیقات نشان می‌دهد که مفاهیمی مانند میانگین‌گیری متحرک برای ارزیابی وضعیت گره‌ها مورد استفاده قرار گرفته‌اند، اما استفاده یکپارچه و همزمان از ابعاد زمانی در کنار سازوکار‌های مدیریت واریانس کمتر مورد توجه بوده است. این مقاله، چارچوب TE-FL را برای کنترل واگرایی گرادیان از طریق یک سازوکار وزن‌دهی خودتطبیقی مبتنی بر «اجماع زمانی سه‌بعدی» معرفی می‌کند. در این رویکرد، فرآیند تجمیع به سه بعد تقسیم می‌شود: حال (سنجش همسویی جهت)، گذشته (تعدیل واریانس با فیلتر EMA) و آینده (تخصیص تطبیقی نویز مبتنی بر پایداری زمانی و الهام‌گرفته از مکانیزم گاوسی و نه تضمین‌کننده DP رسمی). نتایج تجربی تحت سناریوهای پارتیشن‌بندی دیریکله نشان می‌دهد که فیلتر EMA، نویز آماری موقت را سرکوب کرده اما سیگنال‌های ساختاری مفید داده‌ها را حفظ می‌کند. نتایج آزمایشی ثابت می‌کند که TE-FL دقت مدل را در شرایط ناهمگون شدید از %2/87 به %1/92 می‌رساند و در نقطه بحرانی ناهمگونی، دقت %5/89 را حفظ می‌کند، در حالی که روش‌های پایه به زیر %۸۱ افت می‌کنند. با وجود سربار زمان محاسباتی %8/31 تحلیل‌های تجربی تایید می‌کند که این هزینه به عنوان یک معاوضه منطقی برای بهبود پایداری مسیر همگرایی در محیط‌های ناهمگن واقعی قابل توجیه است. | ||
| کلیدواژه‌ها | ||
| یادگیری فدراسیونی؛ ناهمگونی آماری؛ واگرایی گرادیان؛ فیلتر EMA؛ وزن‌دهی خودتطبیقی | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 2 |
||