<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>Federated Learning on وبلاگ Formize.com</title><link>https://blog.formize.com/fa/tags/federated-learning/</link><description>Recent content in Federated Learning on وبلاگ Formize.com</description><generator>Hugo</generator><language>fa</language><atom:link href="https://blog.formize.com/fa/tags/federated-learning/index.xml" rel="self" type="application/rss+xml"/><item><title>تسریع در اثبات منبع داده‌های یادگیری فدرال و انطباق با Formize</title><link>https://blog.formize.com/fa/accelerating-federated-learning-data-provenance-with-formize/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/fa/accelerating-federated-learning-data-provenance-with-formize/</guid><description>&lt;h1 id="تسریع-در-اثبات-منبع-دادههای-یادگیری-فدرال-و-انطباق-با-formize">تسریع در اثبات منبع داده‌های یادگیری فدرال و انطباق با Formize&lt;/h1>
&lt;p>یادگیری فدرال (FL) به استراتژی اصلی برای آموزش مدل‌های هوش مصنوعی با کیفیت بالا تبدیل شده است، در حالی که داده‌های خام را بر روی دستگاه می‌گذارد. این رویکرد بسیاری از نگرانی‌های حریم خصوصی را حل می‌کند، اما مجموعه‌ای جدید از چالش‌های انطباق را نیز به همراه دارد: ردیابی اینکه کدام داده‌ها به کدام به‌روزرسانی مدل کمک کرده‌اند، اثبات دریافت رضایت، و تضمین اینکه مسیرهای حسابرسی در میان هزاران گره لبه‌ای غیرقابل تغییر هستند.&lt;/p></description></item></channel></rss>