TL;DR
- چکیده:.
- اگرچه آموزش فدرال (FL) حفظ حریم خصوصی و همکاری توزیعشده را وعده میدهد،.
- اثربخشی آن در سناریوهای دنیای واقعی اغلب به دلیل ناهمگونی تصادفی مشتریان و پویایی سیستم غیرقابل پیشبینی مختل.
چه اتفاقی افتاد
چکیده:. اگرچه آموزش فدرال (FL) حفظ حریم خصوصی و همکاری توزیعشده را وعده میدهد،.
اثربخشی آن در سناریوهای دنیای واقعی اغلب به دلیل ناهمگونی تصادفی مشتریان و پویایی سیستم غیرقابل پیشبینی مختل. میشود.
روشهای بهینهسازی استاتیک موجود در انطباق با این نوسانات شکست میخورند،. که منجر به استفاده ناکافی از منابع و سوگیری سیستمیک میشود.
در این کار،. ما یک تغییر پارادایم به سمت Agentic-FL را پیشنهاد میکنیم،.
چارچوبی که در آن عوامل مبتنی بر مدل زبان (LMagents) نقشهای ارکستراسیون مستقل را به عهده میگیرند. برخلاف پروتکلهای سفت و سخت،.
ما نشان میدهیم که چگونه عوامل سمت سرور میتوانند سوگیری انتخاب را از طریق استدلال زمینهای کاهش دهند،. در حالی که عوامل سمت کلاینت بهعنوان نگهبان محلی عمل میکنند،.
بودجههای حریم خصوصی را به صورت پویا مدیریت میکنند و پیچیدگی مدل را با محدودیتهای سختافزاری تطبیق میدهند. این ادغام بیش از حل کردن ناکارآمدیهای فنی،.
نشانهای از تکامل است FL به سمت اکوسیستمهای غیرمتمرکز،. که در آن همکاری بهطور مستقل مذاکره میشود،.
راه را برای بازارهای آینده مدلهای مبتنی بر انگیزه و عدالت الگوریتمیهموار میکند. ما در مورد قابلیت اطمینان (توهمات) و چالشهای امنیتی این رویکرد بحث میکنیم و یک نقشه راه برای.
سیستمهای چندعاملی انعطافپذیر در محیطهای فدرال ترسیم میکنیم. سیستمهای چندعاملی (cs.
MA)؛ هوش مصنوعی (cs. AI) استناد بهعنوان: (یا v1 [cs.
MA] برای این نسخه) https:. // شده توسط arXiv از طریق DataCite (در انتظار ثبت نام) تاریخچه ارسال از:.
Rafael Jarczewski [مشاهده ایمیل] [v1] دوشنبه،. 6 آوریل 2026،.
17:. 43:.
30 UTC (614 KB).
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.