Prototip öğrenme temelli federe öğrenme

Heterojen veriler, federated learning (dağıtık öğrenme) konusunda çeşitli zorluklar oluşturur ve bu durumda her bir istemci için özelleştirilmiş yerel çözümler gereklidir. Böyle senaryolarda, her istemcideki yerel sınıflandırıcılar tarafından özelleştirilmiş bir küresel özellik temsili oluşturmak, bu zorluğun üstesinden gelmek için uygulanabilir yaklaşımlardan biridir. Bununla birlikte, birkaç istemci üzerinde birleştirme stratejisi ile elde edilen küresel bilgiyi içermek, yerel modeller arasında önemli sapmalar olduğunda istemci modellerinin genelleştirme yeteneğini sınırlayabilir. Bu çalışma, federated prototype learning (dağıtık prototip öğrenme) yapısında küresel ve yerel prototipleri hizalamak için bir dikkat stratejisi önermektedir. Önerilen çerçeve, dikkat ağırlıklarının istemciye özgün olarak hesaplandığı prototipleri birleştirir. Bu nedenle, önerilen yaklaşım, yerel özellikleri kapsayan küresel bir temsil oluşturmayı hedefler ve aynı zamanda potansiyel veri gizliliği ihlallerine karşı artan bir savunmasızlık oluşturmaz. Buna ek olarak, yerel model eg ̆itimi, istemciye özgün bir şekilde çıkarılan küresel bilgiden faydalanabilir.Önerilen çerçeveye, çeşitli heterojen veri senaryolarında iyi bilinen kıyaslama veri setleriyle değerlendirilmiştir. Yapılan kapsamlı deneyler, güncel yöntemlere kıyasla önemli performans artışları rapor etmektedir.