یادگیری مشارکتی بر پایه زنجیره قالب عمومی از طریق تراکنش های خارج از زنجیره

امروزه هوش مصنوعی در بیشتر حوزه های صنعت و حتی زندگی روزمره کاربرد دارد. یکی از زیرشاخه های هوش مصنوعی، یادگیری ماشین است که این روزها موردتوجه زیادی واقع شده است. یادگیری ماشین، به سیستمی که توانایی یادگیری خودکار و بدون برنامه ریزی صریح دارد، اطلاق می شود؛ به عبارت دیگر یادگیری ماشین با الهام گرفتن از فرآیند یادگیری در انسان، مهارت ها و دانش جدید را به دست می آورد؛ همچنین به دلیل توانمندی و سرعت پردازش رایانه ها، فرآیند یادگیری به مراتب سریع تر انجام می شود. به صورت کلی، در روش های استاندارد یادگیری ماشین، این نیازمندی وجود دارد که داده ها به صورت متمرکز در دسترس باشند و عملیات یادگیری بر روی آن ها انجام شود. فرآیند یادگیری بر روی داده های کاربران به صورت متمرکز، باعث ایجاد مشکل حریم خصوصی و عدم اطمینان می شود. در سال ۲۰۱۷، شرکت گوگل با معرفی روشی به نام یادگیری فدرال (یادگیری مشارکتی)، راهی به سمت یادگیری از منابع توزیع شده را معرفی کرد. به عبارت دیگر یادگیری مشارکتی، یک روش یادگیری ماشین با حفظ حریم خصوصی داده ها است که هدف آن رسیدن به یک مدل نهایی با کیفیت از طریق داده های توزیع شده بین دستگاه های مختلف است.اکثر طرح های یادگیری مشارکتی موجود، در بستر زنجیره قالب خصوصی معرفی شده اند و مشکلاتی نظیر عدم وجود سازوکار رعایت انصاف بین کاربران شرکت کننده، عدم وجود سازوکار پاداش و جریمه جهت جلوگیری از تخلف و ایجاد انگیزه برای کاربران را دارند؛ همچنین متمرکز بودن فرآیند تجمیع، وارسی، ارزیابی مدل های محلی و سرباز زیاد محاسباتی از دیگر مشکلات طرح های موجود است. حفظ حریم خصوصی در کنار حفظ کارایی از دیگر چالش های موجود در فضای تحقیقاتی این موضوع است که ما در این پژوهش قصد داریم به کمک زنجیره قالب های عمومی پروتکلی جهت یادگیری مشارکتی با حل چالش های موجود و در عین حفظ کارایی و سرعت ارائه کنیم.

یادگیری مشارکتی بر پایه زنجیره قالب عمومی از طریق تراکنش های خارج از زنجیره Keywords:

یادگیری مشارکتی , یادگیری ماشین , یادگیری فدرال , زنجیره قالب های عمومی , تراکنش های خارج از زنجیره