FedPix: ফেডারেটেড লার্নিংয়ে তথ্য ফাঁস কমাতে ক্লায়েন্ট থেকে সংকুচিত ছবি প্রেরণ

15 নভেম্বর 2026১ প্রদর্শন

প্রবন্ধটিতে আলোচনা করা হয়েছে, ক্লায়েন্টকে সার্ভারে কী তথ্য পাঠানোর অনুমতি দেওয়া উচিত, এবং মডেলের ওজন বা মধ্যবর্তী উপস্থাপনার বদলে কমপ্যাক্ট, দৃশ্যত যাচাইযোগ্য ছবি পাঠানোর প্রশিক্ষণের প্রস্তাব দেওয়া হয়েছে। BloodMNIST, CIFAR-10, FashionMNIST এবং MNIST-এ এই পদ্ধতিতে পুনর্গঠনের সময় PSNR কম থাকে এবং 65,63–99,18% নির্ভুলতার সঙ্গে ক্লায়েন্টের সময় 96,0% পর্যন্ত কমে।

FedPix: ফেডারেটেড লার্নিংয়ে তথ্য ফাঁস কমাতে ক্লায়েন্ট থেকে সংকুচিত ছবি প্রেরণ

সমস্যা: প্রচলিত পদ্ধতিগুলো যা সমাধান করে না

ফেডারেটেড ইন্টেলিজেন্সের বিদ্যমান পদ্ধতিগুলো মডেল প্রশিক্ষণ বা সমষ্টিকরণের ওপর কেন্দ্রীভূত। ক্লায়েন্ট থেকে কী তথ্য পাঠানো হবে, সেই প্রশ্নটি উপেক্ষিত থেকে যায়। এর ফলে কিছু সীমাবদ্ধতা তৈরি হয়।

  • মডেলের আপডেট ব্যবহারকারীদের পক্ষে যাচাই করা কঠিন।
  • ডেটার উপস্থাপন সংবেদনশীল তথ্য প্রকাশ করতে পারে।
  • সীমিত সম্পদসম্পন্ন ক্লায়েন্টদের জন্য উপস্থাপন তৈরি করতে প্রচুর গণনামূলক ব্যয় হতে পারে।

FedPix কম্প্যাক্ট, দৃশ্যত যাচাইযোগ্য ছবি পাঠাতে শেখে। এটি মডেলের আপডেট এবং মধ্যবর্তী বৈশিষ্ট্যের বিকল্প। বেছে নেওয়ার মানদণ্ড: পাঠানো ডেটা মানুষের যাচাই করার প্রয়োজন হলে এবং ক্লায়েন্টের সম্পদ সীমিত হলে, এই পদ্ধতিটি বিবেচনা করা উচিত।

কার্যপ্রণালী: ক্লায়েন্ট কী ডেটা পাঠায়

ক্লায়েন্ট কম্প্যাক্ট, দৃশ্যত যাচাইযোগ্য ছবি পাঠায়। পাঠানো উপস্থাপনগুলো তথ্য বাছাইয়ের প্রশিক্ষণে অংশ নেয়: কী সংরক্ষণ করতে হবে আর কী বাদ দিতে হবে। পদ্ধতিটি কাজের জন্য উপযোগিতা এবং পুনর্গঠনের বিরুদ্ধে দৃঢ়তার মধ্যে ভারসাম্য রাখে।

পাঠানোর বিকল্পকী পাঠানো হয়যে বিষয়গুলো বিবেচনায় রাখতে হবে
মডেলের আপডেটমডেলের আপডেটব্যবহারকারীদের পক্ষে যাচাই করা কঠিন
মধ্যবর্তী বৈশিষ্ট্যডেটার উপস্থাপনসংবেদনশীল তথ্য প্রকাশ করতে পারে; সীমিত সম্পদসম্পন্ন ক্লায়েন্টদের জন্য তৈরি করতে ব্যয়বহুল
FedPixকম্প্যাক্ট, দৃশ্যত যাচাইযোগ্য ছবিউপযোগিতা ও পুনর্গঠনের বিরুদ্ধে দৃঢ়তার মধ্যে ভারসাম্য

সার্ভার ক্লায়েন্টের মূল ডেটা না দেখেই উপস্থাপনগুলো উন্নত করে। এ ক্ষেত্রে ক্লায়েন্টের দিকের গণনামূলক ব্যয় কম থাকে। লেখকেরা ধরে নেন, ছবি শ্রেণিবিন্যাসের জন্য মূল ছবিটি পুনর্গঠনে প্রয়োজনীয় সব দৃশ্যগত বিবরণের দরকার হয় না।

বেছে নেওয়ার মানদণ্ড: পাঠানোর বিকল্পটি দৃশ্যত যাচাইযোগ্য হতে হবে। সার্ভারের ক্লায়েন্টের মূল ডেটায় প্রবেশাধিকার থাকা চলবে না। ক্লায়েন্টের দিকের ব্যয় কম রাখতে হবে।

ফলাফল: নির্ভুলতা, পুনর্গঠনের বিরুদ্ধে দৃঢ়তা এবং সময়

FedPix-কে BloodMNIST, CIFAR-10, FashionMNIST এবং MNIST-এ পরীক্ষা করা হয়েছে। লেখকেরা শ্রেণিবিন্যাসের নির্ভুলতা জানিয়েছেন এবং পুনর্গঠনের বিরুদ্ধে দৃঢ়তা ও ক্লায়েন্টে সম্পাদনের সময়ের পরিমাপ আলাদাভাবে দিয়েছেন।

ডেটাসেটশ্রেণিবিন্যাসের নির্ভুলতা
MNIST99.18%
FashionMNIST89.97%
BloodMNIST82.24%
CIFAR-1065.63%
  • পুনর্গঠনের PSNR — সর্বোচ্চ 6.87 dB।
  • সিন্থেটিক PSNR — সর্বোচ্চ 6.74 dB।
  • ক্লায়েন্টে সম্পাদনের সময় হ্রাস — সর্বোচ্চ 96.0%।
  • CIFAR-10-এ সময় 1223 সেকেন্ড থেকে কমে 49 সেকেন্ড হয়েছে।

বেছে নেওয়ার মানদণ্ড: লক্ষ্য ডেটাসেটে নির্ভুলতার সঙ্গে কাজটির গ্রহণযোগ্য মানের তুলনা করুন। ক্লায়েন্টের সময় এবং পুনর্গঠনের বিরুদ্ধে দৃঢ়তা আলাদাভাবে মূল্যায়ন করুন।

প্রযোজ্যতার সীমা

FedPix ছবি শ্রেণিবিন্যাসের জন্য কাজ করে। লেখকেরা ধরে নেন, শ্রেণিবিন্যাসের জন্য পুনর্গঠনে প্রয়োজনীয় সব দৃশ্যগত বিবরণের দরকার হয় না। পরীক্ষায় চারটি ডেটাসেট রয়েছে।

  • কাজটি হলো ছবি শ্রেণিবিন্যাস।
  • লক্ষ্য ডেটাসেটটি BloodMNIST, CIFAR-10, FashionMNIST অথবা MNIST-এর অন্তর্ভুক্ত।
  • নিবন্ধে অন্যান্য কাজ ও ডেটাসেটের তথ্য নেই।

মানদণ্ড: কাজটি ছবি শ্রেণিবিন্যাস কি না এবং ডেটাসেটটি নিবন্ধের চারটির মধ্যে একটি কি না যাচাই করুন। নিবন্ধে অন্যান্য কাজ ও ডেটাসেটের তথ্য নেই।

উৎস ও অবস্থা

লেখকেরা «FedPix: Learning What to Share with Less Leakage in Federated Intelligence» শীর্ষক নিবন্ধে FedPix পদ্ধতিটি উপস্থাপন করেছেন। নিবন্ধটি arXiv-এ arXiv:2610.21194 নম্বরে প্রকাশিত হয়েছে। লেখকেরা তারিখ উল্লেখ করেছেন: v1 — ১৫ অক্টোবর ২০২৬, v2 — ১৯ অক্টোবর ২০২৬।

  • লেখক: Jingwei Zhao, Tiantong Sun, Yuanyuan Song, Jinhuan Guo, Zishuo Wei, Shengyu Huang, Ziyuan Ren, Wei Chen এবং Xiaojin Zhang।
  • Jingwei Zhao এবং Tiantong Sun সমান অবদান রেখেছেন।

যাচাইয়ের মানদণ্ড: উদ্ধৃত করার আগে নিবন্ধের সংস্করণ ও লেখকদের তালিকা মিলিয়ে নিন।

সাধারণ প্রশ্নোত্তর

বিভিন্ন উপাদান

সব উপাদান
MaRK: প্রাক-প্রশিক্ষিত SSM-এ পুনরাবৃত্তিমূলক প্যারামিটারের প্রসঙ্গভিত্তিক মডুলেশন
সংবাদ

MaRK: প্রাক-প্রশিক্ষিত SSM-এ পুনরাবৃত্তিমূলক প্যারামিটারের প্রসঙ্গভিত্তিক মডুলেশন

এমন একটি পদ্ধতি প্রস্তাব করা হয়েছে, যা নিম্ন-র‍্যাঙ্কের প্যারামিটার পরিবর্তনের মাধ্যমে হিমায়িত স্টেট-স্পেস মডেলের পুনরাবৃত্ত অপারেটরকে প্রসঙ্গ অনুযায়ী মানিয়ে নেয় এবং প্রতিটি জেনারেশন ধাপে «ইনপুট—আউটপুট» কার্নেলকে প্রভাবিত করে। অ্যাডাপ্টারের তিনটি জ্যামিতির তুলনায় দেখা যায়, ভ্যালিডেশন ত্রুটির দিক থেকে চেবিশেভ বহুপদী এগিয়ে; আর সীমাবদ্ধ প্যারামিটারায়ন স্থিতিশীলতার বিশ্লেষণাত্মক যাচাইয়ের সুযোগ দেয়।

14 নভেম্বর 2026
B-PINN এবং কোলাইডার বায়াস: কারণ, নির্ণয় ও চেইন বিকল্প
সংবাদ

B-PINN এবং কোলাইডার বায়াস: কারণ, নির্ণয় ও চেইন বিকল্প

লেখকেরা দেখিয়েছেন যে প্রচলিত B-PINN পদ্ধতি, যেখানে স্বতন্ত্র পূর্ববর্তী প্যারামিটারগুলোকে ডিফারেনশিয়াল সমীকরণের অবশিষ্টাংশের ভার্চুয়াল লাইকলিহুডের মাধ্যমে সংযুক্ত করা হয়, তা পদ্ধতিগতভাবে ভৌত রাশিগুলোর পোস্টেরিয়র অনুমানে পক্ষপাত সৃষ্টি করতে পারে। এর পরিবর্তে, তাঁরা স্টোকাস্টিক গতিবিদ্যার ডিসক্রিটাইজেশন ও particle MCMC স্যাম্পলিংসহ একটি হায়ারার্কিক্যাল চেইন মডেল প্রস্তাব করেছেন, পাশাপাশি প্রচলিত পদ্ধতির নির্ভরযোগ্যতা নির্ণয়ের মানদণ্ডও দিয়েছেন।

14 নভেম্বর 2026
জেনারেটিভ ইমেজ মডেলের ফাইন-টিউনিং: পছন্দ ও মূল্যায়ন-মানদণ্ডের যৌথ বিবেচনা
সংবাদ

জেনারেটিভ ইমেজ মডেলের ফাইন-টিউনিং: পছন্দ ও মূল্যায়ন-মানদণ্ডের যৌথ বিবেচনা

নিবন্ধে উন্মুক্ত ডোমেইনে text-to-image মডেলগুলোর পোস্ট-ট্রেনিংয়ের একটি পদ্ধতি বর্ণনা করা হয়েছে, যেখানে মানুষের পছন্দের সংকেতের পাশাপাশি প্রম্পটের সঙ্গে সামঞ্জস্য এবং কাঙ্ক্ষিত বৈশিষ্ট্য যাচাইয়ের জন্য রুব্রিকভিত্তিক পরীক্ষা যোগ করা হয়। ফলাফল থেকে বোঝা যায়, পুরস্কারের ওজনযুক্ত গড় প্রস্তাবিত পদ্ধতির তুলনায় খারাপ ফল দেয়, আর Arena-র স্ন্যাপশটে ফাইন-টিউন করা Flux2dev এবং Ideogram-4-এর Elo-তে উল্লেখযোগ্য বৃদ্ধি দেখা যায়।

14 নভেম্বর 2026
FedPix: ফেডারেটেড লার্নিংয়ে তথ্য ফাঁস কমাতে ক্লায়েন্ট থেকে সংকুচিত ছবি প্রেরণ