چکیده
We need to improve Persian translation for flow, readability, natural structure, consistency, correct errors. Keep technical terms unchanged. Let's rewrite the paragraph. Original Persian text: "سیستمهای جستجوی فروشگاهی در مناطق جغرافیایی متنوع با الگوهای پرسوجو، واژگان و ترجیحات محصولات متمایز عمل میکنند و این امر heterogeneity دادههای قابل توجهی ایجاد میکند که هر دو آموزش حفظ حریم خصوصی و شخصیسازی مدل را چالشانگیز میسازد. یادگیری فدرال (FL) یک راهحل طبیعی برای حریم خصوصی ارائه میدهد، اما روشهای FL استاندارد مدلهای جهانی تولید میکنند که عملکرد منطقهای را قربانی میکنند، در حالی که روشهای FL شخصیسازیشده موجود در سطح پارامتر عمل میکنند و به دلیل تعاملات embeddingهای متصل و LayerNorm، بر ترانسفورماتورهای مدرن بهطور katastrofیک سقوط میکنند (Accuracy زیر 10٪ بر T5). ما RegionFed را معرفی میکنیم، یک چارچوب یادگیری فدرال مقاوم به معماری (architecture-robust) که با کارکرد کامل در سطح گرادیان این شکست را دور میزند. RegionFed از تعارض $\ell_2$ بین گرادیانهای منطقهای و جهانی بهعنوان یک سیگنال واحد استفاده میکند که (i) heterogeneity را تشخیص میدهد، (ii) هر منطقه را به استراتژی شخصیسازی کافیترین و ارزانترین مسیریابی میکند، و (iii) قدرت شخصیسازی را بهطور انطباقی کنترل میکند. چون RegionFed مدلها را بهصورت جعبههای سیاه قابل تفاضل در نظر میگیرد، روی T5-Small, T5-3B, RoBERTa و CNN بدون هیچ تغییر در کد پیادهسازی میشود و بهبودهای قابل توجهی روی ترانسفورماتورها (که روشهای سطح پارامتر در آنها سقوط میکنند) و بهبودهای پایدار بر روی CNNها فراهم میآورد. در سه مجموعه داده عمومی (Amazon ESCI, Amazon Reviews, LEAF-FEMNIST) و چهار معماری، RegionFed-Meta 92.27٪ دستاورد مییابد و فاصله را با حد بالایی مرکزی که حریم خصوصی را نقض میکند (Centralized + Regional Weighting: 92.04٪، $Δ$=0.23pp، در محدوده 1$σ$) کاهش میدهد، در حالی که حریم خصوصی دیفرانسیری $(ε{\approx}0.60)$ و همگرایی $\mathcal{O}(1/\sqrt{T})$ را فراهم میآورد." We need improved Persian. Let's rewrite: - Use natural Persian connectors. - Keep technical terms unchanged (FL, $\ell_2$, T5, etc.) - Ensure consistency: maybe "حریم خصوصی" vs "حریم خصوصی" fine. - Use "الگویهای پرسوجو، واژگان و ترجیحات محصول" maybe "الگویهای پرسوجو، واژگان و ترجیحات محصولات". - "heterogeneity دادههای قابل توجهی ایجاد میکند" maybe "یک heterogenity قابل توجه در دادهها ایجاد میکند". - "هر دو آموزش" maybe "هر دو هدف" or "هر دو وظیفه". Actually "هر دو آموزش" seems odd; maybe "هر دو هدف" or "هر دو کار". Let's rephrase: "که هر دو آموزش" maybe "که هر دو آموزش" is wrong; maybe "که هر دو آموزش" means "both training"? Might be "هر دو آموزش" meaning "both training and personalization"? Could be "هر دو آموزش" meaning "both training and personalization"? Hard to know. Let's rewrite: "که بهصورت قابل توجهی heterogenity ایجاد میکند و باعث میشود آموزش حفظ حریم خصوصی و شخصیسازی مدل را چالشانگیز سازد." Or "که heterogenity قابل توجهی در دادهها ایجاد میکند و آموزشهای حفظ حریم خصوصی و شخصیسازی مدل را دشوار میسازد." - "یادگیری فدرال (FL) یک راهحل طبیعی برای حریم خصوصی ارائه میدهد" ok. - "روشهای FL استاندارد مدلهای جهانی تولید میکنند" maybe "روشهای FL استاندارد یک مدل جهانی تولید میکنند". But keep "روشهای FL استاندارد" and "مدلهای جهانی". Let's phrase: "روشهای FL استاندارد یک مدل جهانی تولید میکنند که عملکرد منطقهای را محدود میکند". But we need to keep technical terms unchanged. - "در حالی که روشهای FL شخصیسازیشده موجود در سطح پارامتر عمل میکنند" maybe "در حالی که روشهای FL شخصیسازیشده در سطح پارامتر عمل میکنند". Keep "سطح پارامتر". - "به دلیل تعاملات embeddingهای متصل و LayerNorm، بر ترانسفورماتورهای مدرن بهطور katastrofیک سقوط میکنند (Accuracy زیر 10٪ بر T5)." maybe "به دلیل تعاملات embeddingهای متصل و LayeNorm، بر ترانسفورماتورهای مدرن بهطور فاجعهبار (Accuracy زیر 10٪ بر T5) سقوط میکنند." - "ما RegionFed را معرفی میکنیم، یک چارچوب یادگیری فدرال مقاوم به معماری (architecture-robust) که با کارکرد کامل در سطح گرادیان این شکست را دور میزند." maybe "ما RegionFed را معرفی میکنیم؛ یک چارچوب یادگیری فدرال مقاوم به معماری (architecture-robust) که با بهرهگیری از سطح گرادیان بهطور کامل این محدودیت را بر میگذارد." But keep "RegionFed". - "RegionFed از تعارض $\ell_2$ بین گرادیانهای منطقهای و جهانی بهعنوان یک سیگنال واحد استفاده میکند که (i) heterogenity را تشخیص میدهد، (ii) هر منطقه را به استراتژی شخصیسازی کافیترین و ارزانترین مسیریابی میکند، و (iii) قدرت شخصیسازی را بهطور انطباقی کنترل میکند." This is fine, maybe adjust parentheses. - "چون RegionFed مدلها را بهصورت جعبههای سیاه قابل تفاضل در نظر میگیرد، روی T5-Small, T5-3B, RoBERTa و CNN بدون هیچ تغییر در کد پیادهسازی میشود و بهبودهای قابل توجهی روی ترانسفورماتورها (که روشهای سطح پارامتر در آنها سقوط میکنند) و بهبودهای پایدار بر روی CNNها فراهم میآورد." maybe "بهصورت جعبههای سیاه قابل تفاضل در نظر میگیرد، بر T5‑Small, T5‑3B, RoBERTa و CNN بدون تغییر کد پیادهسازی اجرا میشود؛ عملکرد بر ترانسفورماتورها (که روشهای سطح پارامتر در آنها کاهش مییابد) بهبود قابل توجهی و بر CNNها نیز بهبود پایدار حاصل میشود." - "در سه مجموعه داده عمومی (Amazon ESCI, Amazon Reviews, LEAF-FEMNIST) و چهار معماری، RegionFed-Meta 92.27٪ دستاورد مییابد و فاصله را باs ( [" * [ [ [, [ [ d,, [[ [ [ [ [ [ [ [ [ [ < [t [ [ [ [ [ [ [e [ [1 [ [ [ three],, " [ [ days [f] [ ] [ [ names au [f e [ t ] f [ & [ [ [ and v " [ ]