با افزایش برنامههای مبتنی بر یادگیری ماشین در لبه شبکه، ن یاز به پیشب ینی بالدرنگ در دستگاههای با منابع محدود افزایش یافته است. لذا، مدلهای پیشب ینی ضمن حفظ دقت، با ید پیچی دگی محاسباتی کمی داشته باشن د. از طرف ی ای ن دستگاهها ممکن است بعلت کمبود نمونه، یادگیری ضعیفی داشته باشند. استفاده از ی ادگیری فدرال دستگاهها را قادر میسازد تا مدلهای یادگیری ماشین را بدون اشتراکگذاری دادههای خصوصی خود آموزش دهند. استفاده از فرای ادگیری برای آموزش با تعداد داده اندک به دلیل انطباق سر یع و تعمیم خوب به وظا یف جد ید، برای م حیطها ی فدرال که در آن دادههای آموزشی غیریکنواخت و شخصی وجود دارد، مناسب است. علیرغم پیشرفتهای اخیر،استفاده از روشهای فرا یادگیری مبتنی بر متریک ب دلیل سادگی آنها و ن یز توسعه آنها بگونهای که دقت و ی ادگیری مدل در محیط فدرال ارتقا ی ابد، همچنان مبهم باقی ماندهاست. برای ای ن منظور، در ای ن مقاله یک روش فرا یادگیری فدرال برای طبقهبندی با تعداد داده اندک پیشنهاد داده شدهاست. نتای ج تجرب ی نشان میدهد که روش پیشنهادی عملکردی مطلوب ی در معیارهای مختلف دارد بطور یکه حتی با تعداد داده اندک در محیطهای فدرال سرعت همگرا یی و دقت بال یی ضمن استفاده محدود از منابع دارد
