CL-FedFR: یادگیری برنامه درسی برای تشخیص چهره فدراسیونی

عنوان CL-FedFR: یادگیری برنامه درسی برای تشخیص چهره فدراسیونی
نویسنده Dube، D. C.، Eroğlu Erdem، Ciğdem، Korcak، Ö.
تاریخ انتشار: 2024-02-29
محل انتشار - SciTePress
موضوع تشخیص چهره، یادگیری عمیق، یادگیری برنامه درسی، یادگیری فدرال
نوع سند
زبان انگلیسی
دیجیتال بله
نسخه خطی خیر
کتابخانه: دانشگاه اوزیغین
شناسه دارایی کتابخانه 2184-4321
شماره ثبت 20a7496d-20be-46b5-ac08-de48267eb3ca
محل کتابخانه مهندسی برق و الکترونیک
تاریخ 2024-02-29
متن نمونه تشخیص چهره (FR) با ظهور و بهبود مستمر الگوریتم های یادگیری عمیق و دسترسی به مجموعه داده های بزرگ به طور قابل توجهی افزایش یافته است. با این حال، نگرانی‌های مربوط به حفظ حریم خصوصی که با استفاده و توزیع مجموعه‌های داده تصویر چهره به‌عنوان یک مانع مهم در راه استقرار الگوریتم‌های یادگیری ماشین متمرکز مطرح شده است. اخیراً، یادگیری فدرال (FL) محبوبیت پیدا کرده است زیرا داده های خصوصی در دستگاه های لبه (مشتریان) برای آموزش یک مدل نیازی به اشتراک گذاری ندارند. FL همچنین به هدایت تحقیقات FR به سمت تمرکززدایی ادامه می دهد. در این مقاله، ما رویکردهای یادگیری برنامه درسی مبتنی بر داده و مبتنی بر مشتری (CL) را برای FR فدرال با هدف بهبود عملکرد مدل‌های شخصی‌شده عمومی و خاص مشتری پیشنهاد می‌کنیم. برنامه درسی مبتنی بر داده از زوایای حالت سر به عنوان اندازه گیری دشواری استفاده می کند و تصاویر را از "آسان" به "دشوار" در طول آموزش تغذیه می کند، که شبیه روشی است که انسان ها یاد می گیرند. برنامه درسی مبتنی بر مشتری "مشتریان آسان" را بر اساس عملکرد در دورهای اولیه آموزش انتخاب می کند و در دورهای بعدی "مشتریان مشکل" بیشتری را شامل می شود. تا آنجا که ما می دانیم، این اولین مقاله ای است که CL را برای FR در یک محیط FL بررسی می کند. ما الگوریتم پیشنهادی را بر روی مجموعه داده‌های MS-Celeb-1M و IJB-C ارزیابی می‌کنیم و نتایج عملکرد بهبود یافته‌ای را هنگام استفاده از CL در طول تمرین نشان می‌دهد.
DOI 10.5220/0012574000003660
Cilt 2
مشاهده در منبع دانشگاه اوزیغین دانشگاه اوزیغین - موتور جستجوی آثار تاریخی، آرشیوها و نشریات
دانشگاه اوزیغین - موتور جستجوی آثار تاریخی، آرشیوها و نشریات دانشگاه اوزیغین

CL-FedFR: یادگیری برنامه درسی برای تشخیص چهره فدراسیونی

نویسنده Dube، D. C.، Eroğlu Erdem، Ciğdem، Korcak، Ö.
تاریخ انتشار 2024-02-29
محل انتشار - SciTePress
موضوع تشخیص چهره، یادگیری عمیق، یادگیری برنامه درسی، یادگیری فدرال
نوع سند
زبان انگلیسی
دیجیتال بله
نسخه خطی خیر
کتابخانه دانشگاه اوزیغین
شناسه دارایی کتابخانه 2184-4321
شماره ثبت 20a7496d-20be-46b5-ac08-de48267eb3ca
محل کتابخانه مهندسی برق و الکترونیک
تاریخ 2024-02-29
متن نمونه تشخیص چهره (FR) با ظهور و بهبود مستمر الگوریتم های یادگیری عمیق و دسترسی به مجموعه داده های بزرگ به طور قابل توجهی افزایش یافته است. با این حال، نگرانی‌های مربوط به حفظ حریم خصوصی که با استفاده و توزیع مجموعه‌های داده تصویر چهره به‌عنوان یک مانع مهم در راه استقرار الگوریتم‌های یادگیری ماشین متمرکز مطرح شده است. اخیراً، یادگیری فدرال (FL) محبوبیت پیدا کرده است زیرا داده های خصوصی در دستگاه های لبه (مشتریان) برای آموزش یک مدل نیازی به اشتراک گذاری ندارند. FL همچنین به هدایت تحقیقات FR به سمت تمرکززدایی ادامه می دهد. در این مقاله، ما رویکردهای یادگیری برنامه درسی مبتنی بر داده و مبتنی بر مشتری (CL) را برای FR فدرال با هدف بهبود عملکرد مدل‌های شخصی‌شده عمومی و خاص مشتری پیشنهاد می‌کنیم. برنامه درسی مبتنی بر داده از زوایای حالت سر به عنوان اندازه گیری دشواری استفاده می کند و تصاویر را از "آسان" به "دشوار" در طول آموزش تغذیه می کند، که شبیه روشی است که انسان ها یاد می گیرند. برنامه درسی مبتنی بر مشتری "مشتریان آسان" را بر اساس عملکرد در دورهای اولیه آموزش انتخاب می کند و در دورهای بعدی "مشتریان مشکل" بیشتری را شامل می شود. تا آنجا که ما می دانیم، این اولین مقاله ای است که CL را برای FR در یک محیط FL بررسی می کند. ما الگوریتم پیشنهادی را بر روی مجموعه داده‌های MS-Celeb-1M و IJB-C ارزیابی می‌کنیم و نتایج عملکرد بهبود یافته‌ای را هنگام استفاده از CL در طول تمرین نشان می‌دهد.
DOI 10.5220/0012574000003660
Cilt 2
دانشگاه اوزیغین - موتور جستجوی آثار تاریخی، آرشیوها و نشریات
دانشگاه اوزیغین شما در حال هدایت مجدد هستید...

لطفاً صبر کنید