تسعى المستشفيات والبنوك والأجهزة الطرفية غالبًا إلى تدريب نموذج واحد معًا، لكن جداولها تشترك في المخطط بينما يجب أن تبقى صفوفها خاصة. يُعرف هذا النمط بالتعلم الموحّد الأفقي، ويعتمد عادةً على Fed Avg، الذي يحسب متوسط الأوزان من كل موقع. ولا يسأل Fed Avg أبدًا عن الميزات التي ينبغي أن تدخل النموذج، لذلك يُحمل كل عمود غير ذي صلة عبر كل تحديث ويضيف ضوضاء تشعر بها المواقع الأصغر أكثر من غيرها.
تطلب Feature Election، وهي طريقة طُورت لسد هذه الفجوة، قدرًا أقل مما تطلبه معظم الأبحاث حول اختيار الميزات الموحّد. فبدلًا من اعتماد خوارزمية جديدة مخصصة، يحتفظ كل موقع بأداة الاختيار المعتادة التي يثق بها، مثل Lasso أو أهمية الغابة العشوائية أو المعلومات المتبادلة، ويشغّلها على صفوفه الخاصة ويرسل صوتًا. يرسل كل موقع قناعًا ثنائيًا للميزات المختارة، ومتجهًا لدرجات التفضيل، وعدد عيّناته. ولا تغادر أي صفوف أو تدرجات الموقع أثناء الانتخاب.
يحتفظ الخادم بالميزات التي اختارها كل المواقع ويسقط تلك التي لم يخترها أي موقع. أما الميزات المتنازع عليها فتذهب إلى تصويت موزون بحجم الموقع، ويحدد معامل قابل للضبط يُسمى درجة الحرية عدد هذه الميزات التي تدخل النموذج. ثم يطبق كل موقع القناع العام الناتج على أعمدته، ويجري التدريب الموحّد المعتاد على الجدول المخفّض.
تم تنفيذ الطريقة بلغة NumPy وعرضها كمهمة في NVIDIA FLARE، مع عرض الكود الخاص بـ Flower أيضًا.
المصدر: Towards Data Science · لخّصه HeadlinesBriefing