FedPix: फ़ेडरेटेड लर्निंग में डेटा लीक कम करने के लिए क्लाइंट से संपीड़ित छवियों का स्थानांतरण
यह लेख इस बात की पड़ताल करता है कि क्लाइंट को सर्वर पर कौन-सी जानकारी भेजने की अनुमति दी जानी चाहिए, और मॉडल वज़न या मध्यवर्ती निरूपणों के बजाय छोटे, दृश्य रूप से जाँचे जा सकने वाले चित्रों का प्रसारण प्रशिक्षित करने का प्रस्ताव देता है। BloodMNIST, CIFAR-10, FashionMNIST और MNIST पर यह तरीका पुनर्निर्माण में कम PSNR दिखाता है और 65,63–99,18% सटीकता के साथ क्लाइंट का समय 96,0% तक घटाता है।

समस्या: पारंपरिक तरीके किन बातों का समाधान नहीं करते
फ़ेडरेटेड इंटेलिजेंस के मौजूदा तरीक़े मॉडल के प्रशिक्षण या एग्रीगेशन पर केंद्रित हैं। क्लाइंट से कौन-सी जानकारी भेजी जाए, इस सवाल पर ध्यान नहीं दिया जाता। इससे कुछ सीमाएँ पैदा होती हैं।
- उपयोगकर्ताओं के लिए मॉडल अपडेट की जाँच करना कठिन है।
- डेटा निरूपण से संवेदनशील जानकारी उजागर हो सकती है।
- सीमित संसाधनों वाले क्लाइंट के लिए निरूपण तैयार करने में बहुत अधिक कंप्यूटिंग की ज़रूरत पड़ सकती है।
FedPix छोटे, दृश्य रूप से जाँचे जा सकने वाले चित्र भेजना सीखता है। यह मॉडल अपडेट और मध्यवर्ती फ़ीचर का एक विकल्प है। चयन का मानदंड: अगर भेजे गए डेटा की जाँच किसी व्यक्ति को करनी है और क्लाइंट के संसाधन सीमित हैं, तो इस तरीके पर विचार करना उचित है।
कार्यप्रणाली: क्लाइंट कौन-सा डेटा भेजता है
क्लाइंट छोटे, दृश्य रूप से जाँचे जा सकने वाले चित्र भेजता है। भेजे गए निरूपण सूचना के चयन के प्रशिक्षण में हिस्सा लेते हैं: क्या सहेजना है और क्या छोड़ना है। यह विधि कार्य के लिए उपयोगिता और पुनर्निर्माण के प्रति मजबूती के बीच संतुलन बनाती है।
| भेजने का विकल्प | क्या भेजा जाता है | किन बातों पर ध्यान दें |
|---|---|---|
| मॉडल अपडेट | मॉडल अपडेट | उपयोगकर्ताओं के लिए जाँचना कठिन |
| मध्यवर्ती फ़ीचर | डेटा निरूपण | संवेदनशील जानकारी उजागर हो सकती है; सीमित संसाधनों वाले क्लाइंट के लिए इन्हें तैयार करना महँगा है |
| FedPix | छोटे, दृश्य रूप से जाँचे जा सकने वाले चित्र | उपयोगिता और पुनर्निर्माण के प्रति मजबूती के बीच संतुलन |
सर्वर मूल क्लाइंट डेटा तक पहुँच के बिना निरूपण को बेहतर बनाता है। इस दौरान क्लाइंट पर कंप्यूटिंग का बोझ कम रहता है। लेख के लेखक मानते हैं कि छवियों के वर्गीकरण के लिए मूल छवि के पुनर्निर्माण हेतु ज़रूरी सभी दृश्य विवरणों की आवश्यकता नहीं होती।

चयन का मानदंड: भेजे जाने वाले विकल्प की दृश्य रूप से जाँच की जा सकनी चाहिए। सर्वर को मूल क्लाइंट डेटा तक पहुँच नहीं मिलनी चाहिए। क्लाइंट पर कंप्यूटिंग का बोझ कम रहना चाहिए।
नतीजे: सटीकता, पुनर्निर्माण के प्रति मजबूती और समय
FedPix को BloodMNIST, CIFAR-10, FashionMNIST और MNIST पर परखा गया। लेखक वर्गीकरण की सटीकता बताते हैं और पुनर्निर्माण के प्रति मजबूती तथा क्लाइंट पर निष्पादन समय के आँकड़े अलग से देते हैं।
| डेटासेट | वर्गीकरण की सटीकता |
|---|---|
| MNIST | 99.18% |
| FashionMNIST | 89.97% |
| BloodMNIST | 82.24% |
| CIFAR-10 | 65.63% |
- पुनर्निर्माण का PSNR — 6.87 dB तक।
- सिंथेटिक PSNR — 6.74 dB तक।
- क्लाइंट पर निष्पादन समय में कमी — 96.0% तक।
- CIFAR-10 पर समय 1223 सेकंड से घटकर 49 सेकंड हो गया।
चयन का मानदंड: लक्षित डेटासेट पर सटीकता की तुलना कार्य के लिए स्वीकार्य स्तर से करें। क्लाइंट पर लगने वाले समय और पुनर्निर्माण के प्रति मजबूती का अलग-अलग आकलन करें।
लागू होने की सीमाएँ
FedPix छवियों के वर्गीकरण के लिए काम करता है। लेखक मानते हैं कि वर्गीकरण के लिए पुनर्निर्माण हेतु ज़रूरी सभी दृश्य विवरणों की आवश्यकता नहीं होती। प्रयोगों में चार डेटासेट शामिल हैं।
- कार्य छवियों का वर्गीकरण है।
- लक्षित डेटासेट BloodMNIST, CIFAR-10, FashionMNIST या MNIST में से एक है।
- लेख में अन्य कार्यों और डेटासेट पर चर्चा नहीं की गई है।
मानदंड: जाँचें कि कार्य छवियों का वर्गीकरण है और डेटासेट लेख में शामिल चार डेटासेट में से एक है। लेख में अन्य कार्यों और डेटासेट पर चर्चा नहीं की गई है।
स्रोत और स्थिति
लेखकों ने FedPix विधि को «FedPix: Learning What to Share with Less Leakage in Federated Intelligence» लेख में प्रस्तुत किया। लेख arXiv पर arXiv:2610.21194 नंबर के तहत प्रकाशित हुआ। लेखकों ने ये तारीखें दीं: v1 — 15 अक्टूबर 2026, v2 — 19 अक्टूबर 2026।
- लेखक: Jingwei Zhao, Tiantong Sun, Yuanyuan Song, Jinhuan Guo, Zishuo Wei, Shengyu Huang, Ziyuan Ren, Wei Chen और Xiaojin Zhang।
- Jingwei Zhao और Tiantong Sun का योगदान समान था।
सत्यापन का मानदंड: उद्धृत करने से पहले लेख के संस्करण और लेखक-सूची की जाँच करें।
अक्सर पूछे जाने वाले प्रश्न
समान सामग्री
सभी सामग्री
MaRK: पूर्व-प्रशिक्षित SSMs में पुनरावर्ती पैरामीटरों का संदर्भगत मॉड्यूलेशन
एक ऐसा तरीका प्रस्तावित किया गया है, जो निम्न-रैंक पैरामीटर परिवर्तनों के ज़रिए फ्रोज़न स्टेट स्पेस मॉडल के रिकरंट ऑपरेटर को संदर्भ के अनुसार अनुकूलित करता है और जनरेशन के हर चरण में «इनपुट—आउटपुट» कर्नेल को प्रभावित करता है। एडेप्टर की तीन ज्यामितियों की तुलना से पता चलता है कि वैलिडेशन त्रुटि के मामले में चेबीशेव बहुपद बेहतर हैं, जबकि सीमित पैरामीटरकरण स्थिरता की विश्लेषणात्मक जाँच की अनुमति देता है।
14 नवम्बर 2026
B-PINN और कोलाइडर विस्थापन: कारण, निदान और चेन विकल्प
लेखक दिखाते हैं कि B-PINN की प्रचलित योजना, जिसमें स्वतंत्र पूर्वानुमानित पैरामीटरों को अवकल समीकरणों के अवशेषों के आभासी प्रायिकता फलनों के माध्यम से जोड़ा जाता है, भौतिक राशियों के पश्च-वितरण अनुमानों को व्यवस्थित रूप से पक्षपाती कर सकती है। इसके बजाय, वे स्टोकेस्टिक गतिकी के विविक्तीकरण और particle MCMC सैंपलिंग के साथ एक पदानुक्रमित श्रृंखला मॉडल प्रस्तावित करते हैं, साथ ही मानक दृष्टिकोण की विश्वसनीयता के निदान के लिए मानदंड भी देते हैं।
14 नवम्बर 2026
जनरेटिव इमेज मॉडल का फ़ाइन-ट्यूनिंग: प्राथमिकताओं और श्रेणियों पर संयुक्त विचार
यह लेख खुले डोमेन में text-to-image मॉडलों की पोस्ट-ट्रेनिंग की एक विधि का वर्णन करता है, जिसमें मानवीय प्राथमिकताओं के संकेत को प्रॉम्प्ट के अनुरूपता और वांछित गुणों की रूब्रिक-आधारित जाँचों से पूरक किया जाता है। परिणामों से पता चलता है कि पुरस्कारों का भारित औसत प्रस्तावित योजना से कमतर है, जबकि Arena के स्नैपशॉट में फ़ाइन-ट्यून किए गए Flux2dev और Ideogram-4 का Elo स्कोर उल्लेखनीय रूप से बढ़ा हुआ दिखता है।
14 नवम्बर 2026