Sederhanakan: Evaluasi Ketahanan Gangguan pada Pembelajaran Federatif dengan Klien yang Tidak Dapat Diandalkan
Author
Venue
IEEE Cloud 2023
Abstract
Federated learning (FL), sebagai pendekatan kecerdasan buatan (AI) yang sedang berkembang, memungkinkan pelatihan model terdesentralisasi di berbagai perangkat tanpa mengekspos data pelatihan lokal mereka. FL semakin populer baik di kalangan akademisi maupun industri. Meskipun telah ada penelitian yang diajukan untuk meningkatkan toleransi kesalahan FL, dampak nyata dari perangkat yang tidak dapat diandalkan (misalnya, putus koneksi, konfigurasi yang salah, kualitas data yang buruk) dalam aplikasi dunia nyata belum sepenuhnya diteliti. Kami dengan cermat memilih dua masalah klasifikasi dunia nyata yang representatif dengan jumlah klien terbatas untuk menganalisis ketahanan kesalahan FL secara lebih baik. Berlawanan dengan intuisi, algoritma FL sederhana dapat bekerja dengan sangat baik meskipun ada klien yang tidak dapat diandalkan
