Keep it Simple: Evaluación de la tolerancia a fallos del aprendizaje federado con clientes poco fiables
Author
Venue
IEEE Cloud 2023
Abstract
El aprendizaje federado (FL), como enfoque emergente de la inteligencia artificial (IA), permite el entrenamiento descentralizado de modelos en múltiples dispositivos sin exponer sus datos de entrenamiento locales. El FL ha ido ganando popularidad tanto en el ámbito académico como en la industria. Si bien se han propuesto trabajos de investigación para mejorar la tolerancia a fallos del FL, el impacto real de los dispositivos poco fiables (por ejemplo, desconexiones, configuraciones erróneas o mala calidad de los datos) en aplicaciones del mundo real no se ha investigado a fondo. Hemos seleccionado cuidadosamente dos problemas de clasificación representativos del mundo real con un número limitado de clientes para analizar mejor la tolerancia a fallos del FL. Contrariamente a lo que cabría esperar, los algoritmos simples de FL pueden funcionar sorprendentemente bien en presencia de clientes poco fiables.
