Kablosuz ağlarda dağıtık yapay zeka sistemlerinin verimliliğini artıran yenilikçi bir algoritma geliştirildi. Araştırmacılar, federe öğrenme süreçlerinde kullanılan karışım matrislerinin tasarımını optimize ederek, model eğitim sürelerini önemli ölçüde kısaltmayı başardı.
Federe öğrenme, kullanıcı verilerinin cihazlardan çıkmadan yapay zeka modellerinin eğitilmesini sağlayan bir teknolojidir. Bu yaklaşım, gizlilik açısından avantajlı olmasına rağmen, farklı cihazlar arasındaki koordinasyon ve iletişim süreleri teknik zorluklar yaratıyordu.
Geleneksel yöntemler, simetrik ve çift stokastik karışım matrisleri kullanarak çalışıyordu. Bu durum iletişim graflarını çift yönlü bağlantılarla sınırlıyordu. Yeni geliştirilen stokastik gradyan itme algoritması ise asimetrik matrislere izin vererek, tek yönlü iletişim kanallarının da kullanılabilmesini sağlıyor.
Bu teknolojik ilerleme, özellikle yayın tipi iletişim kullanılan kablosuz ağlarda büyük fayda sağlayabilir. Mobil cihazlar, akıllı sensörler ve IoT ağları gibi kaynak kısıtlı ortamlarda daha hızlı ve verimli yapay zeka uygulamaları geliştirilebilecek.
Araştırma, yapay zeka modellerinin merkezi olmayan şekilde eğitilmesi konusunda önemli bir adım olarak değerlendiriliyor ve gelecekte daha akıllı, dağıtık sistemlerin geliştirilmesine katkı sağlayabilir.