یک الگوریتم دقیق یادگیری با داده اندک در محیط فدرال در دستگاه های لبه

با افزایش برنامه های مبتنی بر یادگیری ماشین در لبه شبکه، نیاز به پیش بینی بلادرنگ در دستگاه های با منابع محدود افزایش یافته است. لذا، مدلهایپیش بینی ضمن حفظ دقت، باید پیچیدگی محاسباتی کمی داشته باشد. از طرفی این دستگاه ها ممکن است بعلت کمبود نمونه، یادگیری ضعیفی داشته باشند. استفاده از یادگیری فدرال دستگاه ها را قادر می سازد تا مدل های یادگیری ماشین را بدون اشتراک گذاری داده های خصوصی خود آموزش دهند. استفاده از فرایادگیری برای آموزش با تعداد داده اندک به دلیل انطباق سریع و تعمیم خوب به وظایف جدید، برای محیط های فدرال که در آن داده های آموزشی غیریکنواخت و شخصی وجود دارد، مناسب است. علیرغم پیشرفتهای اخیر،استفاده از روشهای فرایادگیری مبتنی بر متریک بدلیل سادگی آنها و نیز توسعه آنها بگونه ای که دقت و یادگیری مدل در محیط فدرال ارتقا یابد، همچنان مبهم باقی مانده است. برای این منظور، در این مقاله یک روش فرایادگیری فدرال برای طبقه بندی با تعداد داده اندک پیشنهاد داده شده است. نتایج تجربی نشان میدهد که روش پیشنهادی عملکردی مطلوبی در معیارهای مختلف دارد بطوریکه حتی با تعداد داده اندک در محیط های فدرال سرعت همگرایی و دقت بالایی ضمن استفاده محدود از منابع دارد.