Новый метод обучения ИИ: баланс точности, скорости и защиты данных

Исследователи предложили новую модель Federated Hash Projected Latent Factor (FHPLF) для обучения ИИ. Она объединяет два подхода: обучение хэшированию (преобразование данных в компактные двоичные представления) и федеративное обучение (децентрализованное обучение моделей без отправки личных данных на центральный сервер). Модель заменяет вещественные градиентные матрицы на бинарные — это снижает затраты на вычисления, хранение и передачу данных, а также повышает защиту конфиденциальности. Кроме того, FHPLF использует прогнозируемое расстояние Хэмминга для более точного моделирования сходства данных и новую стратегию безопасной сборки и загрузки градиентов. Эксперименты на четырёх реальных наборах данных показали, что FHPLF превосходит существующие методы по точности, эффективности и защите данных.