Rester simple : évaluation de la tolérance aux pannes de l'apprentissage fédéré avec des clients non fiables
Author
Venue
IEEE Cloud 2023
Abstract
L'apprentissage fédéré (FL), en tant qu'approche émergente de l'intelligence artificielle (IA), permet un entraînement décentralisé des modèles sur plusieurs appareils sans exposer leurs données d'entraînement locales. Le FL gagne de plus en plus en popularité tant dans le milieu universitaire que dans l'industrie. Bien que des travaux de recherche aient été proposés pour améliorer la tolérance aux pannes du FL, l'impact réel des appareils non fiables (par exemple, déconnexions, mauvaise configuration, mauvaise qualité des données) dans les applications du monde réel n'a pas été pleinement étudié. Nous avons soigneusement sélectionné deux problèmes de classification représentatifs du monde réel, avec un nombre limité de clients, afin de mieux analyser la tolérance aux pannes du FL. Contrairement à ce que l'on pourrait croire, des algorithmes de FL simples peuvent donner des résultats étonnamment bons en présence de clients peu fiables.
