УДОСКОНАЛЕННЯ АВТОМАТИЗОВАНОЇ СИСТЕМИ NLP, ЯК ФАКТОР ПІДВИЩЕННЯ ЯКОСТІ ФОРМУВАННЯ МАРКЕТИНГОВОЇ СТРАТЕГІЇ

Анотація

Поряд з бурхливим зростанням Internet of Things та граничних обчислень, спільне навчання моделей машинного навчання на периферійних пристроях з обмеженими ресурсами, при одночасному забезпеченні конфіденційності даних користувачів, стало ключовою та складною дослідницькою проблемою. Представлена стаття має на меті заповнити цю дослідницьку прогалину шляхом розроблення, реалізації та оцінювання синергетичної та оптимізованої інфраструктури федеративного навчання з диференційною приватністю під назвою PriFed-IoT, спеціально розробленої для сценаріїв граничних обчислень Internet of Things. Новизна цієї роботи полягає у створенні системи з кількох модулів, що працюють спільно, а не в простому поєднанні технік. Головна ідея полягає у використанні адаптивної диференційної приватності для створення середовища з вищим співвідношенням сигнал/шум для алгоритму кластеризації на пізніх етапах навчання, що дозволяє точніше розділяти клієнтів. З метою перевірки ефективності інфраструктури PriFed-IoT було розроблено та проведено серію комплексних симуляційних експериментів на стандартному наборі даних CIFAR-10, моделюючи різні ступені неоднорідності даних. Проведене дослідження успішно пропонує комплексне рішення, експериментальні результати переконливо доводять переваги інфраструктури PriFed-IoT у збалансуванні захисту приватності, корисності моделі та ефективності системи, надаючи цінну теоретичну основу та технічну реалізацію для створення безпечних, ефективних та надійних інтелектуальних застосунків на периферії Internet of Things.