يك الگوريتم دقيق يادگيري با داده اندك در محيط فدرال در دستگاه هاي لبه

با افزايش برنامه هاي مبتني بر يادگيري ماشين در لبه شبكه، نياز به پيشبيني بلادرنگ در دستگاه هاي با منابع محدود افزايش يافته است. لذا، مدل هاي پيشبيني ضمن حفظ دقت، بايد پيچيدگي محاسباتي كمي داشته باشد. از طرفي اين دستگاه ها ممكن است بعلت كمبود نمونه، يادگيري ضعيفي داشته باشند. استفاده از يادگيري فدرال دستگاه ها را قادر ميسازد تا مدل هاي يادگيري ماشين را بدون اشتراك گذاري داده هاي خصوصي خود آموزش دهند. استفاده از فرايادگيري براي آموزش با تعداد داده اندك به دليل انطباق سريع و تعميم خوب به وظايف جديد، براي محيطهاي فدرال كه در آن دادههاي آموزشي غيريكنواخت و شخصي وجود دارد، مناسب است. عليرغم پيشرفتهاي اخير،استفاده از روشهاي فرايادگيري مبتني بر متريك بدليل سادگي آنها و نيز توسعه آنها بگونه اي كه دقت و يادگيري مدل در محيط فدرال ارتقا يابد، همچنان مبهم باقي مانده است. براي اين منظور، در اين مقاله يك روش فرايادگيري فدرال براي طبقه بندي با تعداد داده اندك پيشنهاد داده شده است. نتايج تجربي نشان ميدهد كه روش پيشنهادي عملكردي مطلوبي در معيارهاي مختلف دارد بطوريكه حتي با تعداد داده اندك در محيط هاي فدرال سرعت همگرايي و دقت بالايي ضمن استفاده محدود از منابع دارد.