Une étude complète de l'apprentissage par transfert fédéré : défis, méthodes et applications
L'apprentissage fédéré (FL) a attiré une attention considérable en tant que nouveau paradigme d'apprentissage automatique distribué qui permet la formation de modèles collaboratifs tout en préservant la confidentialité des données. Cependant, les méthodes FL traditionnelles sont confrontées à des défis tels que l’hétérogénéité des données, l’hétérogénéité des systèmes et la rareté des données étiquetées.
Pour répondre à ces problématiques, le Federated Transfer Learning (FTL), qui intègre le Transfer Learning (TL) dans FL, a attiré l’attention de nombreux chercheurs. Cependant, étant donné que FL permet un partage continu de connaissances entre les participants à chaque cycle de communication tout en ne permettant pas aux autres participants d'accéder aux données locales, FTL est confronté à de nombreux défis uniques qui ne sont pas présents dans TL.
Pour fournir un aperçu complet des dernières avancées dans le domaine FTL et offrir des informations précieuses aux chercheurs, une équipe de recherche dirigée par Fuzhen Zhuang a publié sa nouvelle recherche le 15 décembre 2024 dans Frontières de l'informatique.
Dans la recherche, les auteurs classent les paramètres courants des scénarios FTL en six catégories : FTL homogène, FTL hétérogène, FTL hétérogène dynamique, FTL adaptatif modèle, FTL semi-supervisé et FTL non supervisé. Ils résument systématiquement les solutions à ces défis sur la base des travaux FTL existants, couvrant des aspects tels que la motivation, les algorithmes de base, la conception de modèles, les mécanismes de préservation de la vie privée et les architectures de communication.
L'enquête couvre non seulement les aspects théoriques du FTL, mais met également en évidence ses applications pratiques. Les auteurs discutent de l'importance des systèmes et de l'infrastructure dans le succès du FTL et décrivent ses applications actuelles dans divers domaines. Ils proposent également des perspectives d’avenir pour le développement et l’adoption du FTL.
Cette enquête complète constitue une ressource précieuse pour les chercheurs et les praticiens travaillant dans les domaines de l'apprentissage automatique, de la confidentialité des données et de l'informatique distribuée. Il fournit une base solide pour comprendre les défis et les opportunités du FTL et devrait stimuler de nouveaux progrès dans ce domaine en évolution rapide.
Fourni par Higher Education Press
