Houd het simpel: evaluatie van de fouttolerantie van federatief leren met onbetrouwbare clients
Author
Venue
IEEE Cloud 2023
Abstract
Federated learning (FL), als een opkomende benadering van kunstmatige intelligentie (AI), maakt gedecentraliseerde modeltraining op meerdere apparaten mogelijk zonder hun lokale trainingsgegevens bloot te geven. FL wint steeds meer aan populariteit in zowel de academische wereld als de industrie. Hoewel er onderzoekswerk is voorgesteld om de fouttolerantie van FL te verbeteren, is de werkelijke impact van onbetrouwbare apparaten (bijv. uitval, verkeerde configuratie, slechte gegevenskwaliteit) in praktijktoepassingen nog niet volledig onderzocht. We hebben zorgvuldig twee representatieve, praktijkgerichte classificatieproblemen met een beperkt aantal clients gekozen om de fouttolerantie van FL beter te kunnen analyseren. In tegenstelling tot wat men intuïtief zou verwachten, kunnen eenvoudige FL-algoritmen verrassend goed presteren in de aanwezigheid van onbetrouwbare clients.
