[
    {
        "id": "osp-16422",
        "type": "article-journal",
        "title": "أفضل من العالمين في LSA الاتحادية: تسريع عندما يكون ذلك ممكناً، التخصيص دائمًا",
        "author": [
            {
                "family": "Labbi",
                "given": "Safwan"
            },
            {
                "family": "Mangold",
                "given": "Paul"
            },
            {
                "family": "Moulines",
                "given": "Eric"
            }
        ],
        "URL": "https://omanscience.com/ar/articles/best-of-both-worlds-in-federated-lsa-speedup-when-possible-personalization-always",
        "language": "en",
        "issued": {
            "date-parts": [
                [
                    2026
                ]
            ]
        },
        "abstract": "نحن ندرس التقارير السطحية المتحالفة الشخصية (LSA)، وهي إطار يشمل بشكل ملحوظ تعلم الفرق الزمني الشخصي. في هذا الإطار، يتعاون العاملون المختلفون لحل معادلات ثابتة خطية متميزة، تتوافق كل منها مع مشكلة تعلم محددة للعميل. السؤال المفتوح المركزي في التعلم الشخصي هو ما إذا كانت طريقة واحدة يمكن أن تتكيف مع مستوى غير معروف من الاختلافات عن طريق التقارب إلى الحل الشخصي لكل وكيل في جميع الأنظمة مع تحقيق تسريع خطي في عدد العاملين عندما تكون مشاكلهم التعليمية متشابهة بما فيه الكفاية. نحن نجيب على هذا السؤال بالإيجاب عن طريق إدخال PF-LSA، خوارزمية الحد الأدنى الذي يخلط تحديث كل وكيل المحلي الاستوائي مع متوسط التحديث عبر العملاء، دون أي تكلفة حوسبة إضافية مقارنة بالطرق الاتحادية القياسية. نحن نثبت أن PF-LSA، يحقق أفضل ضمانات من العالمين دون أي معرفة مسبقة على مستوى الاختلاف. تحليلتنا تستند إلى تفكيك حاد للخطأ في مكونات اتفاقية وخلاف. خطأ الإجماع يتدهور بسرعة، في حين أن خطأ الخلاف يتدهور ببطء أكثر ولكنه يصبح ضئيلًا في الأنظمة المنخفضة الاختلافية."
    }
]