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 پیشبینی بلادرنگ در دستگاه های با منابع محدود افزایش یافته است. لذا، مدل هایپیشبینی 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 میسازد تا مدل های یادگیری ماشین را بدون اشتراک گذاری داده های خصوصی خود آموزش دهند. استفاده ازفرایادگیری برای آموزش با تعداد داده اندک به دلیل انطباق سریع و تعمیم خوب به وظایف جدید، برای محیطهای فدرال که در آن دادههای آموزشیغیریکنواخت و شخصی وجود دارد، مناسب است. علیرغم پیشرفتهای اخیر،استفاده از روشهای فرایادگیری مبتنی بر متریک بدلیل سادگی آنها و نیز توسعهآنها 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 برایطبقه بندی با تعداد داده اندک پیشنهاد داده شده است. نتایج تجربی نشان میدهد که روش پیشنهادی عملکردی مطلوبی در معیارهای مختلف دارد بطوریکه حتیبا تعداد داده اندک در محیط های فدرال سرعت همگرایی و دقت بالایی ضمن استفاده محدود از منابع دارد.