CL-FedFR: تعلم المناهج الدراسية للتعرف على الوجوه الموحدة
| العنوان | CL-FedFR: تعلم المناهج الدراسية للتعرف على الوجوه الموحدة |
|---|---|
| المؤلف | Dube, D.C., Eroğlu Erdem, Ciğdem, Korcak, Ö. |
| تاريخ النشر: | 2024-02-29 |
| مكان النشر | - سايتبريس |
| الموضوع | التعرف على الوجوه، التعلم العميق، تعلم المناهج، التعلم الموحد |
| النوع | وثيقة |
| اللغة | الإنجليزية |
| رقمي | نعم |
| مخطوط | لا |
| المكتبة: | جامعة اوزيجين |
| معرف أصل المكتبة | 2184-4321 |
| رقم السجل | 20a7496d-20be-46b5-ac08-de48267eb3ca |
| موقع المكتبة | الهندسة الكهربائية والإلكترونية |
| التاريخ | 2024-02-29 |
| نص عينة | تم تحسين التعرف على الوجوه (FR) بشكل كبير من خلال ظهور خوارزميات التعلم العميق والتحسين المستمر لها وإمكانية الوصول إلى مجموعات البيانات الكبيرة. ومع ذلك، ظهرت مخاوف الخصوصية التي أثيرت عن طريق استخدام وتوزيع مجموعات بيانات صور الوجه كعائق كبير أمام نشر خوارزميات التعلم الآلي المركزية. في الآونة الأخيرة، اكتسب التعلم الموحد (FL) شعبية نظرًا لأن البيانات الخاصة الموجودة على الأجهزة الطرفية (العملاء) لا تحتاج إلى المشاركة لتدريب النموذج. تواصل FL أيضًا دفع أبحاث FR نحو اللامركزية. في هذه الورقة، نقترح أساليب جديدة لتعلم المناهج الدراسية (CL) القائمة على البيانات والمعتمدة على العميل لـ FR الموحد بهدف تحسين أداء النماذج الشخصية العامة والخاصة بالعميل. يستخدم المنهج القائم على البيانات زوايا وضع الرأس لقياس الصعوبة ويغذي الصور من "سهل" إلى "صعب" أثناء التدريب، وهو ما يشبه الطريقة التي يتعلم بها البشر. يختار المنهج القائم على العميل "العملاء السهلين" بناءً على الأداء خلال الجولات الأولى من التدريب ويتضمن المزيد من "العملاء الصعبين" في الجولات اللاحقة. على حد علمنا، هذه هي الورقة الأولى التي تستكشف CL لـ FR في بيئة FL. نقوم بتقييم الخوارزمية المقترحة على مجموعات البيانات MS-Celeb-1M وIJB-C وتظهر النتائج تحسنًا في الأداء عند استخدام CL أثناء التدريب. |
| DOI | 10.5220/0012574000003660 |
| Cilt | 2 |
