این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
پردازش علائم و داده ها، جلد ۲۱، شماره ۳، صفحات ۲۳-۶۸
عنوان فارسی مطالعه مروری نظام‌مند بر مبانی، کاربرد‌ها و چالش‌های یادگیری مشارکتی
چکیده فارسی مقاله یادگیری مشارکتی یک طرح یادگیری ماشین در حال رشد است که هدف آن حل مشکل جزیره‌ای شدن داده‌ها با حفظ حریم خصوصی آن‌ها است. در این روش، چندین مشتری مانند دستگاه‌های تلفن همراه، موسسات، سازمان‌ها با یک یا چند سرور مرکزی برای آموزش مدل‌های یادگیری ماشین بصورت غیر متمرکز همکاری می‌کنند. یادگیری مشارکتی برای اولین بار توسط گوگل در سال 2016 برای پیش‌بینی ورودی متن کاربر در ده‌ها هزار دستگاه اندرویدی و حفظ حریم خصوصی داده‌ها در دستگاه‌ها  معرفی شد و در واقع یک فناوری یادگیری ماشین توزیع شده رمزگذاری شده است که به شرکت کنندگان اجازه می‌دهد مدل آموزشی مشترکی را بسازند در حالی که داده‌های اصلی را به صورت محلی حفظ می‌کنند. در سال‌های اخیر، مفهوم اصلی یادگیری مشارکتی به طیف وسیع‌تری از روش‌های یادگیری ماشین غیر متمرکز و حفظ حریم خصوصی گسترش یافته است.
در این مقاله مروری سیستماتیک بر مقالات مروری، مقالات منتخب وکتب منتشر شده در زمینه یادگیری مشارکتی ارائه می‌دهیم. در ابتدا یک نمای کلی از یادگیری مشارکتی ترسیم می‌کنیم که شامل معرفی و تشریح فرآیند آن است. سپس به معرفی الگوریتم‌های موجود و سیر تکامل آن‌ها می‌پردازیم. همچنین، طبقه‌بندی و کاربرد انواع ساختارهای یادگیری مشارکتی در سه گروه یادگیری مشارکتی افقی، یادگیری مشارکتی عمودی و یادگیری انتقال مشارکتی  را مورد بررسی قرار می‌دهیم. در ادامه، با استناد به منابع منتخب این مقاله، به بررسی کاربردهای یادگیری مشارکتی در اینترنت اشیا، شهر هوشمند، امنیت، حفظ حریم خصوصی مدل و داده‌ها، انفورماتیک سلامت و مراقبت‌های بهداشتی می‌پردازیم. در ادامه روش‌های مختلف در هر یک از این زمینه‌ها مقایسه و مزایا، محدودیت‌ها و چالش‌های پیش روی هر کدام مورد بحث قرار می‌دهیم. علاوه بر این، به بررسی کاربردها و تفاوت‌های یادگیری ماشین مشارکتی، یادگیری عمیق مشارکتی و بلاک چین مشارکتی در اینترنت صنعتی اشیا می‌پردازیم. وکاربردهای این فناوری‌ها در حوزه‌های ذخیره‌سازی، مدیریت داده‌ها و مدیریت منابع را نیز بررسی می‌نماییم. در پایان، به بررسی چالش‌ها، چشم‌اندازها و زمینه‌های تحقیقاتی آتی حوزه یادگیری مشارکتی  می‌پردازیم.
کلیدواژه‌های فارسی مقاله یادگیری مشارکتی، یادگیری ماشین غیر متمرکز، حفظ حریم خصوصی، هوش مصنوعی توزیع شده، اینترنت اشیا
عنوان انگلیسی A systematic review of the foundations, applications, and challenges of federated learning
چکیده انگلیسی مقاله Federated learning (FL) is an emerging machine learning paradigm designed to address the challenge of the data island while preserving data privacy. In this approach, multiple clients, such as mobile devices, institutions, and organizations collaborate with one or more central servers to train machine learning models in a decentralized manner. Federated learning was initially introduced by Google in 2016 to predict user text input on tens of thousands of Android devices while preserving the privacy of the data on the devices. Federated learning is a distributed, encrypted machine learning technology that allows participants to build a shared training model while keeping the original data locally. In recent years, the core concept of federated learning has expanded to a wider spectrum of decentralized machine learning methods while maintaining privacy.
This paper provides a systematic review of review articles, selected papers, and published works in the field of federated learning. Initially, we outline an overview of federated learning, including its introduction and process description. We then introduce existing algorithms and their evolutionary trends. Additionally, we examine the classification and application of various federated learning structures in three groups: horizontal federated learning, vertical federated learning, and federated transfer learning. Furthermore, based on selected resources in this paper, we investigate the applications of federated learning in the Internet of Things, smart cities, security, privacy-preserving models and data, health informatics, and healthcare. We further compare various methods in these areas and discuss the advantages, limitations, and challenges ahead. Additionally, we explore the applications and differences between federated machine learning, federated deep learning, and federated blockchain in the industrial Internet of Things and examine their applications in storage, data management, and resource management. Finally, we discuss the challenges, prospects, and future research directions in federated learning.
کلیدواژه‌های انگلیسی مقاله Federated learning, decentralized machine learning, privacy-preserving, Distributed artificial intelligence, Internet of Things
نویسندگان مقاله هاله فاتح | Haleh Fateh
Shahrood University of Technolog
دانشگاه صنعتی شاهرود

محسن رضوانی | Mohsen Rezvani
Shahrood University of Technolog
دانشگاه صنعتی شاهرود

اسماعیل طحانیان | Esmaeel Tahanian
Shahrood University of Technolog
دانشگاه صنعتی شاهرود

نشانی اینترنتی http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-2284-2&slc_lang=fa&sid=1
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده مقالات پردازش داده‌های رقمی
نوع مقاله منتشر شده ترویجی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات