یادگیری فدرال با نگه داشتن داده در دستگاه کاربران، راهبردی برای حفاظت از حریم خصوصی به شمار می آید؛ اما مبادله ی به روزرسانی های مدل میان گره ها و هماهنگ کننده، کانالی برای نشت اطلاعات پدید می آورد. این پژوهش با هدف سنجش میزان این نشت و شناسایی عوامل مؤثر بر آن انجام شد. روش پژوهش آزمایشی و از نوع شبیه سازی کنترل شده بود؛ جامعه ی آماری، مجموعه ی مرجع تصاویر رنگی ده کلاسه و نمونه ی پژوهش، پانزده هزار نمونه ی آموزشی بود که با روش توزیع دیریکله میان بیست گره تقسیم شد. ابزار گردآوری داده عبارت بود از بستر یادگیری فدرال مبتنی بر الگوریتم میانگین گیری و ماژول استخراج نشانه که بیست وچهار ویژگی از سه خانواده ی خروجی مدل، تاریخچه ی آموزش و هندسه ی به روزرسانی تولید می کرد؛ تحلیل داده ها با طبقه بند جنگل تصادفی انجام شد که بر اجراهای سایه آموزش دیده و بر اجرای هدف جداگانه ارزیابی گردید و ویژگی ها پیش از تصمیم گیری هم مقیاس سازی رتبه ای شدند. یافته ها نشان داد تحلیل گر پیشنهادی به مراتب کارآمدتر از آستانه گذاری بر خروجی مدل نهایی است و این برتری به انتخاب آستانه ی خاص وابسته نیست. همچنین مشخص شد ناهمگونی داده اثری غیریکنوا دارد و بیشینه ی آسیب پذیری در ناهمگونی ملایم رخ می دهد. برخلاف انتظار، افزایش دورهای آموزش و گام های بهینه سازی محلی، نشت را کاهش داد. نتیجه گیری: در یادگیری فدرال، برخلاف یادگیری متمرکز، بیش برازش مدل جهانی تبیین کننده ی نشت نیست و ارزیابی حریم خصوصی بر پایه ی سنجه های متعارف بیش برازش می تواند گمراه کننده باشد.

یادگیری فدرال استنباط عضویت نشت اطلاعات حریم خصوصی اجرای سایه ناهمگونی داده