दैनिक अर्क्सिव

यह पेज दुनियाभर में प्रकाशित होने वाले आर्टिफिशियल इंटेलिजेंस संबंधित रिसर्च पेपर्स को संक्षिप्त रूप में प्रस्तुत करता है।
यहां Google Gemini का उपयोग करके पेपर्स का सारांश तैयार किया जाता है और यह पेज गैर-लाभकारी रूप से संचालित किया जाता है।
पेपर के कॉपीराइट लेखक और संबंधित संस्थान के पास हैं, और साझा करते समय बस स्रोत का उल्लेख करें।

एमएमआईसी: क्लस्टर्ड फेडरेटेड लर्निंग में मोडैलिटी अपूर्णता को कम करना

Created by
  • Haebom

लेखक

लिशान यांग, वेई एम्मा झांग, क्वान जेड शेंग, लीना याओ, वेइतोंग चेन, अली शकेरी

रूपरेखा

यह शोधपत्र मल्टीमॉडल फ़ेडरेटेड लर्निंग (MFL) में मिसिंग मोडैलिटी की समस्या के समाधान के लिए एक नवीन ढाँचे, MMiC, का प्रस्ताव करता है। MMiC एक वितरित शिक्षण पद्धति है जो विविध मोडैलिटी वाले डेटा का उपयोग करती है। MMiC एक क्लस्टर के भीतर क्लाइंट मॉडल के आंशिक मापदंडों को प्रतिस्थापित करके मिसिंग मोडैलिटी के प्रभाव को कम करता है, बैंजहाफ़ पावर इंडेक्स का उपयोग करके क्लाइंट चयन को अनुकूलित करता है, और मार्कोविट्ज़ पोर्टफोलियो ऑप्टिमाइज़ेशन का उपयोग करके वैश्विक एकत्रीकरण को गतिशील रूप से नियंत्रित करता है। प्रायोगिक परिणाम दर्शाते हैं कि MMiC मिसिंग मोडैलिटी वाले मल्टीमॉडल डेटासेट पर वैश्विक और वैयक्तिकृत प्रदर्शन, दोनों में मौजूदा फ़ेडरेटेड लर्निंग आर्किटेक्चर से बेहतर प्रदर्शन करता है।

Takeaways, Limitations

Takeaways:
हम एक नवीन रूपरेखा, MMiC प्रस्तुत करते हैं, जो बहुविधीय संघीय शिक्षण में लुप्त साधनात्मकता समस्या का प्रभावी ढंग से समाधान करती है।
बेंज़हाफ़ पावर इंडेक्स और मार्कोविट्ज़ पोर्टफोलियो ऑप्टिमाइज़ेशन का उपयोग करके ग्राहक चयन और वैश्विक एकत्रीकरण अनुकूलन।
हम लुप्त मोडैलिटी वाले मल्टीमॉडल डेटासेट पर मौजूदा विधियों की तुलना में बेहतर प्रदर्शन प्रदर्शित करते हैं।
खुले कोड के माध्यम से पुनरुत्पादन और प्रयोज्यता सुनिश्चित करें।
Limitations:
प्रस्तावित विधि का प्रदर्शन विशिष्ट डेटासेट और सेटिंग्स पर निर्भर हो सकता है।
विभिन्न प्रकार की विधियों और लुप्त पैटर्नों के लिए सामान्यीकरण निष्पादन मूल्यांकन आवश्यक है।
वास्तविक दुनिया के अनुप्रयोग वातावरण में मापनीयता और दक्षता पर आगे अनुसंधान की आवश्यकता है।
👍