Systems
ابق الأمر بسيطًا: تقييم تحمل الأعطال في التعلم الفيدرالي مع عملاء غير موثوق بهم
Author
Venue
IEEE Cloud 2023
Abstract
التعلم الفيدرالي (FL)، باعتباره نهجًا ناشئًا في مجال الذكاء الاصطناعي (AI)، يتيح تدريب النماذج بشكل لامركزي عبر أجهزة متعددة دون الكشف عن بيانات التدريب المحلية الخاصة بها. وقد اكتسب التعلم الفيدرالي شعبية متزايدة في كل من الأوساط الأكاديمية والصناعية. وعلى الرغم من اقتراح أعمال بحثية لتحسين قدرة التعلم الفيدرالي على تحمل الأعطال، إلا أن التأثير الحقيقي للأجهزة غير الموثوقة (مثل الانقطاع، وسوء التكوين، وسوء جودة البيانات) في التطبيقات الواقعية لم يتم استكشافه بالكامل. اخترنا بعناية مشكلتين تمثيليتين للتصنيف في العالم الواقعي مع عدد محدود من العملاء لتحليل تحمل الأعطال في التعلم الفيدرالي بشكل أفضل. على عكس ما قد يبدو بديهياً، يمكن لخوارزميات التعلم الفيدرالي البسيطة أن تؤدي أداءً جيداً بشكل مدهش في وجود عملاء غير موثوق بهم
